针对印刷电路板(Printed Circuit Board,PCB)表面缺陷检测任务中模型体积和参数量较大的问题,提出了一种基于通道剪枝的轻量级YOLOv8n网络PCB缺陷检测算法。为有效提升对PCB小目标缺陷的特征提取能力,采用RepViT作为特征提取网络;为提...针对印刷电路板(Printed Circuit Board,PCB)表面缺陷检测任务中模型体积和参数量较大的问题,提出了一种基于通道剪枝的轻量级YOLOv8n网络PCB缺陷检测算法。为有效提升对PCB小目标缺陷的特征提取能力,采用RepViT作为特征提取网络;为提升网络对小目标的关注度,减少神经网络推理过程中的梯度信息重复,将颈部网络的卷积模块替换为Rep-Net with Cross-Stage Partial CSP and ELAN(RepNCSPELAN4);为降低缺陷重叠时检测框失真现象,在预测部分使用Focaler-MPDIoU替换完全交并比(Complete Intersection over Union,CIoU);利用层自适应幅度分数剪枝(Layer Adaptive Magnitude based Pruning,LAMP)方法对融合改进方法的模型进行修剪,去除模型中冗余的梯度信息和权重,减少参数量和浮点运算量,压缩模型体积。实验结果表明,在PCB公开数据集中,经过LAMP之后,该算法相较于YOLOv8n,参数量下降60.8%,模型体积减小50.8%,计算量下降48.8%,平均精度均值(mean Average Precision,mAP)提高3.8%。在提高精度的同时,计算量、参数量和模型体积都低于原模型,满足在低配置设备下的使用需求。展开更多
针对已有的目标检测方法在复杂场景中对鱼类目标检测效果不理想的问题,提出了一种基于膨胀卷积和参数重构的鱼类目标实时检测方法.先设计了一种四分支融合卷积结构,在引入少量参数量的情况下,扩大了目标检测的感受野,提升了目标检测的效...针对已有的目标检测方法在复杂场景中对鱼类目标检测效果不理想的问题,提出了一种基于膨胀卷积和参数重构的鱼类目标实时检测方法.先设计了一种四分支融合卷积结构,在引入少量参数量的情况下,扩大了目标检测的感受野,提升了目标检测的效果.再引入了RepVGG(重构VGG)并联辅助分支思想,在训练过程中使用复杂模型进行特征学习,而在推理过程中对模型中的BN(Batch Normalization)层以及1×1的辅助分支中的参数进行融合,利用参数重构对训练过程的冗余参量进行合并,保证了模型的低参数量和实时推理.基于YOLOv5s进行实验,相比原始的YOLOv5s获得了更高的检测精度和召回率,平均精度(mean Average Precision,mAP)达到83.1%,超越了目前主流的目标检测算法.提出的算法在检测速度上相比原始模型无明显降低,处理速度上达到100FPS,在实现高精度检测的前提下保证了鱼类目标的实时检测,为基于视觉的鱼类检测方案提供了有效的技术支持.展开更多
文摘针对印刷电路板(Printed Circuit Board,PCB)表面缺陷检测任务中模型体积和参数量较大的问题,提出了一种基于通道剪枝的轻量级YOLOv8n网络PCB缺陷检测算法。为有效提升对PCB小目标缺陷的特征提取能力,采用RepViT作为特征提取网络;为提升网络对小目标的关注度,减少神经网络推理过程中的梯度信息重复,将颈部网络的卷积模块替换为Rep-Net with Cross-Stage Partial CSP and ELAN(RepNCSPELAN4);为降低缺陷重叠时检测框失真现象,在预测部分使用Focaler-MPDIoU替换完全交并比(Complete Intersection over Union,CIoU);利用层自适应幅度分数剪枝(Layer Adaptive Magnitude based Pruning,LAMP)方法对融合改进方法的模型进行修剪,去除模型中冗余的梯度信息和权重,减少参数量和浮点运算量,压缩模型体积。实验结果表明,在PCB公开数据集中,经过LAMP之后,该算法相较于YOLOv8n,参数量下降60.8%,模型体积减小50.8%,计算量下降48.8%,平均精度均值(mean Average Precision,mAP)提高3.8%。在提高精度的同时,计算量、参数量和模型体积都低于原模型,满足在低配置设备下的使用需求。
文摘针对已有的目标检测方法在复杂场景中对鱼类目标检测效果不理想的问题,提出了一种基于膨胀卷积和参数重构的鱼类目标实时检测方法.先设计了一种四分支融合卷积结构,在引入少量参数量的情况下,扩大了目标检测的感受野,提升了目标检测的效果.再引入了RepVGG(重构VGG)并联辅助分支思想,在训练过程中使用复杂模型进行特征学习,而在推理过程中对模型中的BN(Batch Normalization)层以及1×1的辅助分支中的参数进行融合,利用参数重构对训练过程的冗余参量进行合并,保证了模型的低参数量和实时推理.基于YOLOv5s进行实验,相比原始的YOLOv5s获得了更高的检测精度和召回率,平均精度(mean Average Precision,mAP)达到83.1%,超越了目前主流的目标检测算法.提出的算法在检测速度上相比原始模型无明显降低,处理速度上达到100FPS,在实现高精度检测的前提下保证了鱼类目标的实时检测,为基于视觉的鱼类检测方案提供了有效的技术支持.
