基于YOLOv4的烟叶烟梗识别算法研究

针对烟叶分级系统中烟叶上料、下料中的烟梗识别定位问题,提出了一种新型烟梗检测算法:基于YOLOv4卷积神经网络,将其主干网络修改替换为Efficientdet,降低网络模型的体积并提高模型对烟梗类型的识别准确率,在此基础上引入深度可分离卷积,并在深度可分离卷积中引入宽度因子alpha变量,优化了系统参数,简化了网络结构。结果表明,此算法在单姿态烟梗识别中其mAP值均优于SSD、Centernet、Faster-rcnn、YOLOv4little以及YOLOv4这几种目标检测算法,在多姿态烟梗识别中其mAP值和YOLOv4算法相差仅为2%,可减少网络参数,提高模型检测准确率与系统识别速度。

基于改进YOLO v4的轻量化烟梗识别方法

为完成烟叶精选工艺流程中打叶复烤后破碎烟叶的进一步去梗,实现破碎烟叶中烟梗的自动化检测,文章提出基于改进YOLO v4的轻量化烟梗识别方法。在YOLO v4基础模型上先后进行通道剪枝和层剪枝,大幅简化模型结构,改进后模型存储空间下降了93.77%,模型平均精度均值(mean average precision,mAP)和前向运算时间与基础模型持平。与同类别算法相比,模型精度平均提升8.7%,模型参数量大幅缩减。实验结果表明该实验剪枝模型更具轻量化,识别效果更好,能够满足实际生产需求。