摘要: 针对棉纺厂对原棉吞吐量大、检测时间长而常见卷积神经网络无法实现高实时检测的问题,提出基于轻量化改进的YOLOv7模型对原棉杂质的检测算法,旨在快速高效的对棉杂质进行检测。首先通过删减YOLOv7模型冗余的卷积层从而提高检测速度;其次在主干网络内添加Faster-Net卷积降低算法的计算负担,减少特征图的冗余性从而加快检测速度,实现算法的高实时检测;最后通过在颈部网络内运用CSP-RepFPN(Cross Stage Partial Rep Feature Pyramid Networks)重构特征金字塔,增加特征信息流通,减少特征损失,提高检测精度。实验结果表明,改进的YOLOv7模型在棉杂检测精度上达到了96.0%,检测时间降低了37.5%,在公开DWC(Drinking Waste Classification)数据集上整体精度达到82.5%,检测时间仅为29.8ms,改进的YOLOv7模型能够为原棉杂质的实时检测和识别分类提供一种轻量化的检测方法,大幅节约了时间成本。
中图分类号:
张勇进 徐健 张明星. 面向轻量化的改进YOLOv7棉杂检测算法[J]. 计算机应用, DOI: 10.11772/j.issn.1001-9081.2023070969.
[1] | 冯勇 杨思卓 徐红艳. 基于YOLO v8的轻量化安全帽佩戴检测算法[J]. 《计算机应用》唯一官方网站, 0, (): 0-0. |
[2] | 梁杰涛 罗兵 付兰慧 常青玲 李楠楠 易宁波 冯其 何鑫 邓辅秦. 基于坐标几何采样的点云配准方法[J]. 《计算机应用》唯一官方网站, 0, (): 0-0. |
[3] | 杨顺 边小勇 陈希. 无迭代图胶囊网络的遥感场景分类[J]. 《计算机应用》唯一官方网站, 0, (): 0-0. |
[4] | 张睿 惠永科 张延军 潘理虎. 基于多维空间卷积信息增强的低质车牌信息超分辨率重建[J]. 《计算机应用》唯一官方网站, 0, (): 0-0. |
[5] | 李林昊 王逸泽 李英双 董永峰 王振. 基于关系特征强化的全景场景图生成方法[J]. 《计算机应用》唯一官方网站, 0, (): 0-0. |
[6] | 王丽芳 吴荆双 尹鹏亮 胡立华. 基于注意力机制和能量函数的动作识别算法[J]. 《计算机应用》唯一官方网站, 0, (): 1-1. |
[7] | 宋鹏程 郭立君 张荣. 利用局部-全局时间依赖的弱监督视频异常检测[J]. 《计算机应用》唯一官方网站, 0, (): 1-1. |
[8] | 邹耀斌 张彬. 四向加权香农熵最大化导向的自动阈值分割方法[J]. 《计算机应用》唯一官方网站, 0, (): 0-0. |
[9] | 区卓越 邓秀勤 陈磊. 基于加权锚点的自适应多视图互补聚类算法[J]. 《计算机应用》唯一官方网站, 0, (): 0-0. |
[10] | 姜涛 梁振宇 程然 金耀初. GPU加速的演化算法求解多目标流水车间调度问题[J]. 《计算机应用》唯一官方网站, 0, (): 0-0. |
[11] | 庞玉东 李志星 刘伟杰 李天昊. 基于改进实时检测 Transformer的塔机上俯视场景小目标检测模型[J]. 《计算机应用》唯一官方网站, 0, (): 0-0. |
[12] | 黄颖 李昌盛 彭慧 刘苏. 用于动态场景高动态范围成像的局部熵引导的双分支网络[J]. 《计算机应用》唯一官方网站, 0, (): 0-0. |
[13] | 朱俊杰, 余丽, 李圣文, 周长征. 综合成分句法分析的技术名称识别[J]. 《计算机应用》唯一官方网站, 2024, 44(4): 1072-1079. |
[14] | 刘扬, 刘蓉, 方可, 张心月, 王光旭. 基于帧间跨越光流的视频超分辨率重建网络[J]. 《计算机应用》唯一官方网站, 2024, 44(4): 1277-1284. |
[15] | 陈天华, 朱家煊, 印杰. 基于注意力机制的鸟类识别算法[J]. 《计算机应用》唯一官方网站, 2024, 44(4): 1114-1120. |
阅读次数 | ||||||
全文 |
|
|||||
摘要 |
|
|||||