改进SSD的灵武长枣图像轻量化目标检测方法

TP391; 针对加载预训练模型的传统SSD(Single Shot MultiBox Detector)模型不能更改网络结构,设备内存资源有限时便无法使用的问题,该研究提出一种不使用预训练模型也能达到较高检测精度的灵武长枣图像轻量化目标检测方法.首先,建立灵武长枣目标检测数据集.其次,以提出的改进DenseNet网络为主干网络,并将Inception模块替换SSD模型中的前3个额外层,同时结合多级融合结构,得到改进SSD模型.然后,通过对比试验证明改进DenseNet网络和改进SSD模型的有效性.在灵武长枣数据集上的试验结果表明,不加载预训练模型的情况下,改进SSD模型的平均准确率(mAP,...

Full description

Saved in:
Bibliographic Details
Published in农业工程学报 Vol. 37; no. 19; pp. 173 - 182
Main Authors 王昱潭, 薛君蕊
Format Journal Article
LanguageChinese
Published 宁夏大学机械工程学院,银川 750021 01.10.2021
Subjects
图像处理;目标检测;灵武长枣;预训练模型;SSD模型;DenseNet网络;Inception模块
Online AccessGet full text
ISSN1002-6819
DOI10.11975/j.issn.1002-6819.2021.19.020

Cover

More Information
Summary:TP391; 针对加载预训练模型的传统SSD(Single Shot MultiBox Detector)模型不能更改网络结构,设备内存资源有限时便无法使用的问题,该研究提出一种不使用预训练模型也能达到较高检测精度的灵武长枣图像轻量化目标检测方法.首先,建立灵武长枣目标检测数据集.其次,以提出的改进DenseNet网络为主干网络,并将Inception模块替换SSD模型中的前3个额外层,同时结合多级融合结构,得到改进SSD模型.然后,通过对比试验证明改进DenseNet网络和改进SSD模型的有效性.在灵武长枣数据集上的试验结果表明,不加载预训练模型的情况下,改进SSD模型的平均准确率(mAP,mean Average Precision)为96.60％,检测速度为28.05帧/s,参数量为1.99×106,比SSD模型和SSD模型(预训练)的mAP分别高出2.02个百分点和0.05个百分点,网络结构参数量比SSD模型少11.14×106,满足轻量化网络的要求.即使在不加载预训练模型的情况下,改进SSD模型也能够很好地完成灵武长枣图像的目标检测任务,研究结果也可为其他无法加载预训练模型的目标检测任务提供新方法和新思路.
ISSN:1002-6819
DOI:10.11975/j.issn.1002-6819.2021.19.020