基于YOLOv5手榴弹检测算法的轻量化研究.pdf
《基于YOLOv5手榴弹检测算法的轻量化研究.pdf》由会员分享,可在线阅读,更多相关《基于YOLOv5手榴弹检测算法的轻量化研究.pdf(7页珍藏版)》请在咨信网上搜索。
1、第 卷 第 期兵 器 装 备 工 程 学 报 年 月 收稿日期:修回日期:基金项目:湖北省自然科学基金面上项目()作者简介:邱锦()女硕士研究生:.通信作者:刘健()男博士副教授:.:./.基于 手榴弹检测算法的轻量化研究邱 锦刘 健沈芸亦吴中红(海军工程大学兵器工程学院 武汉)摘要:手榴弹检测是实现无人排爆的关键任务 针对 算法应用在手榴弹检测时精度高、实时性好但算法不够轻量化在弹体部分遮挡或背景杂乱的复杂环境下算法对手榴弹识别精度不高的问题提出了融合 模块与()注意力机制模块改进的 算法通过在自制手榴弹数据集上实验改进后算法参数降低检测精度仅下降检测速度提高 对遮挡手榴弹的识别效果有明显改
2、善能更好的满足实际应用需求关键词:手榴弹检测 模块注意力机制复杂环境本文引用格式:邱锦刘健沈芸亦等.基于 手榴弹检测算法的轻量化研究.兵器装备工程学报():.:.():.中图分类号:文献标识码:文章编号:()():().().:引言随着人工智能、深度学习等技术的发展采用就地爆破去清理哑弹(未爆手榴弹)的方法逐渐走向智能化、无人化排爆机器人、哑弹清理机器人等概念相继被学者们提出其中目标检测是利用无人平台实现排爆的基础任务也是关键任务目标检测算法的核心是输出物体的类别以及其在图像中的位置这 个过程也称为分类与回归 基于深度学习的目标检测算法按检测步骤分为单阶段算法和双阶段算法两类 经典的双阶段检测
3、算法有、算法的基础流程是先提取图像中可能存在目标的区域生成候选区然后在候选区域上学习目标特征即通过 种不同的学习网络将目标分类和回归过程分成两阶段实现因此双阶段网络模型参数大占用存储空间大具有检测精度高但实时性差的特点 单阶段检测算法在给定一张图像作为输入时可以端到端输出与输入尺寸相同的检测结果其使用唯一的主干网络直接生成目标的分类和回归加快了检测速度但牺牲了部分精度 算法是经典的单阶段检测算法之一常常用在实时性要求高的检测任务中如自动驾驶领域、无人搜救领域常用于排爆的无人平台有无人车、无人机、机器人 等这些无人工具都需要具有可移动、高移速的特点在进行完全自主的爆破任务时要求其嵌入的检测算法在
4、模型大小上尽量轻同时需要足够好的性能去满足复杂环境下实时并高精准的获取目标信息保证无人平台安全、顺利的完成后续任务综合分析本文中选用 算法为基础算法为实现机器人、无人车等排爆无人平台在复杂环境下(即背景杂乱或存在弹体密集分布、弹体互相遮挡等检测环境)的落地应用对基于 的手榴弹检测算法轻量化改进展开研究 算法基本结构 目前已经更新到.版本官方给出算法在 数据集上实验时其与旧版本算法的性能对比数据如表 所示 相较于上一版本算法其具体的改动如下:更新了超参数使用等效的普通卷积取代了 中 层减少了模型参数 沿用了.中 模块将起到增大感受野作用的 模块更新为(快速空间金字塔池化模块)在未损失性能的前提下
5、整体减小了模型参数提高了模型推理速度 结合表 数据可得.版本算法在推理速度上有明显提升表 .与.算法性能对比 .().:.().().().().().综上分析 算法虽然已经更新到.版本但相较于.版本其总体结构没有大幅的改进本文中使用.版本中较为轻量的 作为基础检测框架算法可按实现功能划分为、四部分模型完整构架如图 所示图 .的完整网络结构.兵 器 装 备 工 程 学 报:/./.输入端图片输送到特征提取网络前需要在算法的输入端进行数据增强、统一图片尺寸、自适应锚框计算等三大预处理操作 算法在 以后一直沿用 数据增强算法其核心思想是随机抓取训练集中四张图片对抓取的图片随机剪裁、随机翻转、随机缩
6、放后拼接得到大图对拼接后的大图、缩放等操作得到固定尺寸的增强后数据增强了算法单批处理数据的能力提高了模型的训练速度同时丰富了实验训练集、提高了模型的鲁棒性 是经典的基于锚框匹配的检测算法在训练阶段网络需要在其针对不同数据集设定特定尺寸(矩形框的长、宽)的初始锚点框的基础上生成预测框通过不断计算预测框与真实框的位置、尺寸差距反向更新其参数去缩小差距以保证其网络的检测准确率 自适应锚框生成算法即根据输入的数据集计算与数据集目标尺寸更为匹配的初始锚框使得网络在初始阶段能得到更贴合真实检测框大小的预测框提高训练速度 算法预设的自适应锚框算法为 聚类算法以及遗传算法首先聚类得到锚点框、再通过遗传算法生成
7、变异锚点框自适应获取更适应数据集的预设锚框.主干网络网络的 部分通常采用连续下采样操作自适应学习目标特征信息 中沿用(跨阶段局部网络)的思想搭建以 为主要结构的特征提取模型将网络梯度信息的变化反映到特征图中降低特征图计算的冗余性同时保证网络获取到丰富的梯度信息提高了算法的运行效率.瓶颈层图片经过输入端完成预处理后进入到主干网络中提取特征随后在网络的 层完成特征多尺度融合常用的融合方式如、等 算法中为了能更充分的利用主干网络提取到的特征在其 和 之间插入了 层增大层间感受野在其瓶颈层采用经典的 复合结构实现了特征图的跨层融合丰富了特征的多样性.输出端 的输出层包含 损失计算、非极大值抑制值两大部
8、分损失函数沿用 中的 在对生成的目标框筛选时采用 在不增加计算成本的前提下增加了网络的遮挡目标的检测能力 最后用到 个不同尺度的检测头完成对目标的识别与定位有效的缓解了多尺度检测问题 算法改进原理经实验表明:.版本的 应用在本文手榴弹数据集检测中算法检测的平均精度达到.在准确率上已经满足实际需求但距离嵌入移动设备中使用其参数量仍有待降低从轻量化出发分两阶段改进算法:第一阶段调整时使用 模块做轻量化调整即保留其等效 层的普通卷积层用 卷积模块替换剩余普通卷积、采用 替换 模块中 得到 模块大幅降低模型参数 第二阶段调整时使用 注意力机制模块(简称为 或)应用到上一阶段中得到的轻量化网络中提升其检
9、测效果保证模型检测准确率.模块 卷积()是在 中提出的一种分阶段卷积模块其主要思想是将传统一步非线性卷积(非线性卷积 卷积 批归一化 非线性激活函数)替换为两步卷积去获得同样数量特征图的模块(数量设为 张)即第一步使用少量卷积核对输入图片进行非线性卷积输出 个 在其基础上使用线性卷积(只有卷积操作这里常用分组卷积或深度可分离卷积)生成 张特征图又称为 分步卷积的操作充分利用了特征间相关性降低了网络对冗余(相关)特征的关注成本减少了模型参数与计算量使得算法能在小幅度牺牲精度的同时达到提高运行速度的效果其二者结构对比图如图 所示图 传统卷积与 卷积结构对比图.是 中提出的一类即插即用模块可以用来减
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 基于 YOLOv5 手榴弹 检测 算法 量化 研究
1、咨信平台为文档C2C交易模式,即用户上传的文档直接被用户下载,收益归上传人(含作者)所有;本站仅是提供信息存储空间和展示预览,仅对用户上传内容的表现方式做保护处理,对上载内容不做任何修改或编辑。所展示的作品文档包括内容和图片全部来源于网络用户和作者上传投稿,我们不确定上传用户享有完全著作权,根据《信息网络传播权保护条例》,如果侵犯了您的版权、权益或隐私,请联系我们,核实后会尽快下架及时删除,并可随时和客服了解处理情况,尊重保护知识产权我们共同努力。
2、文档的总页数、文档格式和文档大小以系统显示为准(内容中显示的页数不一定正确),网站客服只以系统显示的页数、文件格式、文档大小作为仲裁依据,平台无法对文档的真实性、完整性、权威性、准确性、专业性及其观点立场做任何保证或承诺,下载前须认真查看,确认无误后再购买,务必慎重购买;若有违法违纪将进行移交司法处理,若涉侵权平台将进行基本处罚并下架。
3、本站所有内容均由用户上传,付费前请自行鉴别,如您付费,意味着您已接受本站规则且自行承担风险,本站不进行额外附加服务,虚拟产品一经售出概不退款(未进行购买下载可退充值款),文档一经付费(服务费)、不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
4、如你看到网页展示的文档有www.zixin.com.cn水印,是因预览和防盗链等技术需要对页面进行转换压缩成图而已,我们并不对上传的文档进行任何编辑或修改,文档下载后都不会有水印标识(原文档上传前个别存留的除外),下载后原文更清晰;试题试卷类文档,如果标题没有明确说明有答案则都视为没有答案,请知晓;PPT和DOC文档可被视为“模板”,允许上传人保留章节、目录结构的情况下删减部份的内容;PDF文档不管是原文档转换或图片扫描而得,本站不作要求视为允许,下载前自行私信或留言给上传者【自信****多点】。
5、本文档所展示的图片、画像、字体、音乐的版权可能需版权方额外授权,请谨慎使用;网站提供的党政主题相关内容(国旗、国徽、党徽--等)目的在于配合国家政策宣传,仅限个人学习分享使用,禁止用于任何广告和商用目的。
6、文档遇到问题,请及时私信或留言给本站上传会员【自信****多点】,需本站解决可联系【 微信客服】、【 QQ客服】,若有其他问题请点击或扫码反馈【 服务填表】;文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“【 版权申诉】”(推荐),意见反馈和侵权处理邮箱:1219186828@qq.com;也可以拔打客服电话:4008-655-100;投诉/维权电话:4009-655-100。