改进YOLOv4的野生菌视觉检测方法

TP391.4; 人工搜寻野生香菇效率低下,且存在一定危险性;而对于复杂情况下小目标检测的算法研究多集中于精度提升,检测效率与模型参数量不满足实际需求.基于此,提出一种基于改进YOLOv4的机器视觉检测方法,在保证精度前提下,提升检测效率,满足嵌入式设备的需求.以YOLOv4为框架,采用高效的ShuffleNetv2特征提取网络、轻量级的自适应空间特征融合(ASFF)结构减少网络参数和计算量,针对检测分支,将深度可分离卷积(DWConv)和金字塔卷积(PyConv)替代普通卷积以进行轻量化改进.在此基础上优化模型精度:网络输出端引入SA注意力模块以少量计算代价弥补轻量化改进造成的精度损失;最后...

Full description

Saved in:
Bibliographic Details
Published in计算机工程与应用 Vol. 59; no. 20; pp. 228 - 236
Main Authors 张泽冰, 张冬妍, 娄蕴祎, 崔明迪, 王克奇
Format Journal Article
LanguageChinese
Published 东北林业大学 机电工程学院,哈尔滨 150040 15.10.2023
Subjects
model lightweight
ShuffleNetv2
detection accuracy optimization
检测精度优化
目标检测
wild shiitake mushrooms
object detection
YOLOv4
模型轻量化
野生香菇
Online AccessGet full text
ISSN1002-8331
DOI10.3778/j.issn.1002-8331.2206-0041

Cover

More Information
Summary:TP391.4; 人工搜寻野生香菇效率低下,且存在一定危险性;而对于复杂情况下小目标检测的算法研究多集中于精度提升,检测效率与模型参数量不满足实际需求.基于此,提出一种基于改进YOLOv4的机器视觉检测方法,在保证精度前提下,提升检测效率,满足嵌入式设备的需求.以YOLOv4为框架,采用高效的ShuffleNetv2特征提取网络、轻量级的自适应空间特征融合(ASFF)结构减少网络参数和计算量,针对检测分支,将深度可分离卷积(DWConv)和金字塔卷积(PyConv)替代普通卷积以进行轻量化改进.在此基础上优化模型精度:网络输出端引入SA注意力模块以少量计算代价弥补轻量化改进造成的精度损失;最后Weight DIoU NMS算法优化预测框选取.利用1 112张野生蘑菇图片,按照8∶2的比例划分训练集与测试集.实验结果表明:改进YOLOv4模型检测结果AP为88.76%,F1为0.858,FPS为67.93,模型权重尺寸为52.28 MB,相比于YOLOv4的AP为91.5%,F1为0.890,FPS为37.15,精度变化幅度小,速度提升82.9%,模型权重尺寸仅为原来的21.4%.网络模型在保证检测精度的同时,检测速度明显提升,可为野生菌嵌入式采摘设备提供理论支持.
ISSN:1002-8331
DOI:10.3778/j.issn.1002-8331.2206-0041