基于YOLOv3的改进仪表检测算法

摘要：

仪表检测是智能仪表测试不可或缺的环节,其效果直接决定仪表测试的准确率.针对仪表检测背景复杂且要求速度快的特点,提出一种基于改进YOLOv3的目标检测算法.基于YOLOv3算法,首先使用DenseNet(Densely Connected Convolutional Networks)替换Darknet中的最后2个网络块,以加强模型对特征的重用.然后采用轻量化的Darknet-46作为特征提取网络,并将DenseNet中的卷积神经网络修改为深度可分离卷积网络,再将所有检测层(YOLO Detection)之前的6层卷积修改为2层,以减少模型的参数.同时引入GDIOU(generalized-IOU and distance-IOU,GDIOU)边界框以回归坐标损失,并根据检测需求重新调整损失函数的权重.实验结果表明,相比原算法,改进的YOLOv3算法参数数量减少40％,在仪表检测中的精确率和召回率分别达到95.83％和94.98％,分别提高2.21个百分点和2.09个百分点,平均精度提高2.42个百分点,检测速度提高30.18％.

关键词：仪表检测;轻量化;密集层网络;深度可分离卷积;损失函数

分类号：TP391.4(计算技术、计算机技术)

资助基金：上海市科委科技创新行动计划地方院校能力建设拟立项项目19070502900

在线出版日期：2022-03-22（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：77-84,90