基于改进的YOLOv5算法路面检测设计

摘要：

随着大规模的公路建设,公路路面检测对于已建成公路的维护保养尤为重要,但是目前的深度学习网络模型都较大,并且部署到嵌入式端会造成Al算力不足的问题.因此,智能算法检测渐渐进入人们视野,该文设计了基于改进的YOLOv5 的路面检测算法的检测设计.提出了一种通过Network Slimming网络剪枝的方法对稀疏化训练的YOLOv5 目标检测算法模型进行剪枝微调,并通过tensorboard网页观察BN缩放因子直方图变化从而确定剪枝微调的比例.经过实际测试对比,相较与正常训练的算法,通过稀疏化处理后剪枝训练的YOLOv5 算法模型所占权重减小了6.5 MB,对路面坑洞检测中的平均准确率(mAP)达到了81.4%,相比原始YOLOv5 算法提升了2.1%,同时出现漏检现象较少,具有较好的检测精度.

关键词：深度学习、YOLOv5算法、路面检测、网络剪枝、稀疏化训练、目标检测算法、轻量化检测网络、嵌入式部署

分类号：TN919

资助基金：江苏省大学生创新创业训练计划项目;江苏省大学生创新创业训练计划项目

在线出版日期：2023-08-21（万方平台首次上网日期，不代表论文的发表时间）

页数：共5页

页码：93-97