基于YOLOv5的零件识别轻量化算法

为了解决现有的基于深度学习的零件识别模型参数量过大、检测速度慢、检测精度低的问题,以YOLOv5模型为基础,提出了结合轻量级网络和Transformer的零件识别算法。首先,设计了一种轻量级主干特征提取网络,以减少网络的参数量和计算量,并提升推理速度;其次,将Transformer模块与C3模块融合构成C3TR模块,以增强小目标的检测能力;最后,引入噪音净化模块,通过过滤噪音来提高零件识别模型的准确率。模型的检测平均准确率和平均召回率分别达到了86.7%和85.5%,相较原模型分别提升了和24.2%和17.4%。实验结果表明,改进后的模型在实现模型轻量化的同时,具有更快的检测速度和更高的识别准确率。