安全帽佩戴检测网络模型的轻量化设计

摘要：

现有的安全帽佩戴检测网络模型存在准确率低、推理速度慢、部署到边缘计算设备时精度和实时性均达不到应用要求等问题.提出一种轻量化设计的DT-YOLO模型,对YOLOv4-Tiny目标检测模型进行改进,通过增加一个检测层提高模型在密集场景下对小目标的检测能力,并引入空间金字塔池化模块,提高模型对不同尺寸目标的检测能力.使用局部稀疏因子衰减算法进行稀疏化训练,从而使经过稀疏化训练后模型的平均精度均值(mAP)得到提高.根据缩放系数判断通道的重要性,并进行模型的通道剪枝,压缩模型的大小和计算量.使用TensorRT推理加速引擎进行网络层水平和垂直融合,消除拼接层操作,并将参数压缩成16位浮点型,提高模型的推理速度,最后在Jeston Nano边缘计算设备上实现模型部署.实验结果表明,与YOLOv4-Tiny模型相比,DT-YOLO模型的mAP提高了3.6个百分点,模型大小减少了83.5％,帧率提高137.7％,能够满足安全帽佩戴检测的要求.

关键词：安全帽佩戴检测、YOLOv4-Tiny模型改进、局部稀疏因子衰减、模型压缩、TensorRT推理加速引擎、Jeston Nano边缘计算设备

所属期刊栏目：49

分类号：TP391.41(计算技术、计算机技术)

资助基金：国家自然科学基金;国家自然科学基金;湖北省高等学校优秀中青年科技创新团队计划项目

在线出版日期：2023-04-19（万方平台首次上网日期，不代表论文的发表时间）

页数：共9页

页码：312-320