随着5G技术的发展,其高带宽、低时延和高密度接入特点,促使云计算模式向“云-管-端”模式改变,边缘计算作为终端关键技术对人工智能算法在算力有限的终端上的部署成为关键。以苗圃验收环节中松树株数识别的视频检索算法为例,提出一种适用于人工智能算法在终端部署的轻量级苗圃松树苗检测计数算法。算法通过在YOLOv5网络的基础上引入MobileNet v3特征提取机制来实现网络的轻量化,将压缩激励网络(Squeeze-and-Excitation Networks,SENet)中的轻量级注意模块集成作为bneck基本块,提高网络对于特征通道的敏感程度,增强网络的特征提取能力;在IoU(Intersection over Union,IoU)基础上进一步考虑目标框和预测框的向量角度,使用SIoU损失函数作为预测函数,重新定义相关损失函数,从而使苗圃树苗预测框更加接近真实框。研究结果表明,改进后的模型参数量明显减少,改进后的网络模型大小与对比试验中的方法相比,模型在准确率(Precision)降低3.26%、平均精确率均值(Mean Average Precision,mAP)降低1.03%的情况下,帧率(Frame Per Second,FPS)提升了21.48%,达到71.43帧/s,计算量较原YOLOv5s减少了148.44%。证明该算法具有高效性和轻量性,为边缘计算终端人工智能算法移植提供算法原型。
针对水稻病虫害检测精度低、速度慢、模型复杂度高、部署困难等问题,改进了YOLOv4目标检测算法,结合轻量化GhostNet网络,提出了一种基于改进的YOLOv4-GhostNet水稻病虫害识别方法:1)利用幻象模块代替普通卷积结构,替换主干特征提取网络CSPDarkNet53,构建GhostNet模块进行图像的特征提取;2)改进YOLOv4网络的加强特征提取部分PANet结构;3)结合迁移学习与YOLOv4网络训练技巧。通过试验将YOLOv4及其MobileNet系列轻量化网络与Faster-RCNN系列网络和SSD系列网络进行对比,结果表明,改进的YOLOv4-GhostNet模型平均准确率达到79.38%,检测速度可达1 s 34.51帧,模型权重大小缩减为42.45 MB,在保持检测精度达到较高水平的同时模型参数量大幅度降低,适用于部署在计算能力不足的嵌入式设备上。
暂无评论