计算机应用研究

作者：刘馨柔,李洋,宋文军,

单位：长春理工大学电子信息工程学院,长春130000；

关键词：机器视觉,智能工业,目标检测,模型剪枝,YOLOv3,

基金：中国吉林省科学技术计划发展项目(20180201042GX)；吉林省预算内基本建设资金资助项目(创新能力建设—高技术产业部分)(2019C054-b)；中国吉林省科学技术计划发展项目(20200401090GX)；；

基于人工设计特征的检测算法检测速度普遍较慢，检测精度也有待提高，已无法满足现今工业生产中的需求。而基于深度学习的检测技术，因其需要大量的计算和存储空间无法在资源受限的设备上部署使用。针对这些问题，引用一种通道剪枝方法实现YOLOv3检测网络的轻量化，得到剪枝模型SlimYOLOv3，并进一步提出将SlimYOLOv3用于工业场景下的实时检测任务。方法通过对通道缩放因子施加L1正则化来增强卷积层的通道级稀疏性，并对信息量较小的特征通道进行剪枝，最终获得轻量级的网络模型。与原模型相比，SlimYOLOv3剪枝模型减小了60%，计算量减少了50%，检测速度是原模型的1.7倍，更适于智能工业场景中复杂目标的实时检测。

来源：2021年第6期

《计算机应用研究》期刊编辑部

查看计算机应用研究杂志2021年第6期