基于轻量级YOLOv4的小目标实时检测

作者：刘雨青 Liu Yuqing, 隋佳蓉 Sui Jiarong, 魏星 Wei Xing, 张中林 Zhang Zhonglin, 周彦 Zhou Yan · 发表于：Laser & Optoelectronics Progress · 年份：2023 · DOI：10.3788/lop212923 · 被引用次数：2 · 研究领域：Water Quality Monitoring Technologies、Water Quality Monitoring and Analysis、Air Quality Monitoring and Forecasting

为实现渔业养殖中的精准投喂，在传统检测算法的基础上，提出了一种基于鱼群纹理、形状和密集度特征的轻量级鱼类摄食行为实时检测算法F-YOLO。将YOLOv4算法原来的主干特征提取网络CSPDarkNet53替换为MobileNetV3，以少量检测精度下降的代价极大提升网络的实时检测性能，提升对鱼类小目标检测性能；对网络结构卷积层进行通道剪枝和知识蒸馏处理压缩模型，减少浮点运算次数（FLOPs）和计算量；使用优化K-means聚类结合添加全局非极大值抑制的DIoU损失函数确定锚框，解决鱼体相互遮挡导致锚框缺失问题。实验结果表明，所提F-YOLO算法的模型大小仅为13.7 MB，每张图片平均识别时间达到50 ms，精度达99.13%，FLOPs仅为1.64×1010，在嵌入式设备中的检测速度可以达33 frame/s，可为实际渔业养殖提供理论指导。