基于模型压缩的轻量化障碍物检测模型研究

路面障碍物检测是智能导盲系统的核心功能之一。针对基于YOLOv5s的障碍物检测模型复杂度高、推理速度慢等问题,引入轻量级网络MobileNet作为主干特征提取网络,并嵌入CBAM模块弥补精度损失。为进一步优化性能,提出一种先剪枝再蒸馏的模型压缩方案。实验结果表明,经过压缩后的模型参数量为2.99 M,在GPU和CPU上的推理速度分别为113.64和9.67FPS,参数量约为YOLOv5s的42.2%,该模型能满足障碍物检测任务的实时性要求。

基于OpenVINO模型优化的智能道路裂缝检测系统

道路裂缝检测是道路养护工作的重要环节,目前我国的道路裂缝检测工作以人工检测方式为主,针对传统裂缝检测工作效率低,耗时较长及检测精度低等问题,文中提出基于资源受限的终端设备搭建的智能化道路裂缝检测系统。采用轻量级网络Tiny-Darknet构建的小型化模型Tiny-YOLOv3进行裂缝检测,通过OpenVINO平台进行模型优化及推理加速,在实际道路场景中的检测速度达到17.6FPS,相比于TensorFlow框架性能提升11.2FPS,在保证相同检测精度的情况下,有效提升了裂缝检测速度。