基于YOLOv5s的农田垃圾轻量化检测方法

• Published in: 农业工程学报 Vol. 38; no. 19; pp. 153 - 161
• Main Authors: 邢洁洁, 谢定进, 杨然兵, 张喜瑞, 孙文斌, 伍世斌
• Format: Journal Article
• Language: Chinese
• Published: 海南大学机电工程学院,海口 570228%海南大学信息与通信工程学院,海口 570228 01.10.2022
• Subjects: 损失函数; 垃圾; YOLOv5s; 边缘计算; 目标检测; 神经网络; 轻量化
• ISSN: 1002-6819
• DOI: 10.11975/j.issn.1002-6819.2022.19.017

S513%TP391.4; 针对目前垃圾检测算法在农田复杂环境下检测精度不高、检测效率低,模型复杂等问题,该研究提出了基于YOLOv5s的农田垃圾轻量化检测方法.首先,使用轻量级分类网络ShuffleNetV2的构建单元作为特征提取网络,降低模型的计算量和参数量,提高运行速度,以满足移动端的应用要求;其次,为应对模型轻量化后带来的检测精度降低,该文相继对ShuffleNetV2的构建单元进行了卷积核扩大化改进和激活函数优化,在增加部分计算量的前提下提高了模型精度;此外,为增强模型在田间环境下对目标的精准定位能力,该研究针对边界框损失函数进行了优化,将CIoU边界框损失函数高宽纵横比的损失项拆分为预测框的高宽分别与最小外接框高宽的差值,然后通过不断迭代减小差值,提高模型的收敛速度和回归精度.试验结果显示,最终的改进模型检测精度达到了90.9％,此时检测速度为74 ms/帧,计算量仅为3.6 GFLOPs,与当前主流的目标检测算法SSD、YOLOv3等相比,不仅具有更优越的检测精度和推理速度,同时还大幅减少了计算量;最后,将改进前后的模型部署到Jetson TX1和Raspberry 4B两种边缘计算设备上进行测试,测试结果表明,改进后的YOLOv5s模型在边缘计算设备上的检测速度相对原模型提高了至少20％,同时保持了较好的检测效果,平衡了边缘计算设备对精度和速度的性能需求,为田间垃圾检测任务提供了参考.