基于深度学习模型压缩的高效茶芽检测方法

摘要：

在田间实现茶芽的快速、准确检测对茶叶采摘机器人是至关重要的.该研究提出了一种使用通道修剪和层修剪对YOLOv3-SPP模型进行压缩的实时茶芽检测方法.首先,采集茶芽图像并进行数据增广以增加样本多样性,并在YOLOv3 模型添加空间金字塔池化模块以检测茶芽.然后,采用通道剪枝和层剪枝算法对模型进行压缩以缩减茶芽检测模型尺寸,提高检测速度.最后对模型进行微调以恢复精度,从而实现茶芽的快速、准确检测.实验结果表明,经过压缩后的茶芽检测模型参数、模型大小和推理时间分别减少了96.82%、96.81%和59.62%,而模型平均准确率仅比原始模型低0.40%.在田间实验中,将压缩的模型部署在Jetson Xavier NX上进行茶芽检测.结果表明,压缩模型的检测速度为15.9 帧/s,是原始模型的3.18倍.所有结果表明提出的方法可以部署在低算力茶叶收获机器人上实现茶芽的快速、准确检测.

关键词：深度学习、茶芽检测、模型压缩、高效

所属期刊栏目：43

分类号：TP391.41;TP183;TN911.7

在线出版日期：2023-10-20（万方平台首次上网日期，不代表论文的发表时间）

页数：共1页

页码：119