电子测量技术ELECTRONICMEASUREMENTTECHNOLOGY第46卷第1期2023年1月DOI:10.19651/j.cnki.emt.2210123基于Yolo_ES的垃圾分类目标检测模型*范金豪1,2崔立志1,2(1.河南理工大学电气工程与自动化学院焦作454000;2.河南理工大学河南省煤矿装备智能检测与控制重点实验室焦作454000)摘要:垃圾分类问题目前已被政府和社会广泛关注,面对分拣过程中对垃圾类别实时性和准确性判断的需求,提出了一种Yolo_ES目标检测算法。该算法以Yolov4为基础网络,首先使用EfficientNet作为主干特征提取网络,实现算法的轻量化;其次通过注意力机制ECA对MBConv模块进行重构,筛选出高质量的信息,增强模型的特征提取能力并降低了参数量;同时针对最大池化易丢失细节信息的问题,使用SoftPool对SPP模块中的MaxPool层进行替换,保留更多细粒度特征信息。在自制的HPU_WASTE垃圾分类数据集上进行实验,结果表明,Yolo_ES模型相比于Yolov4基础网络mAP从91.81%提升到了96.06%,模型大小压缩了75.45%同时每张图片处理时间为58ms;与其他目标检测网络相比,该模型具有更好的鲁棒性和更佳检测性能。关键词:目标检测;Yolov4;轻量化;注意力机制;SoftPool中图分类号:TP391.4文献标识码:A国家标准学科分类代码:520.6GarbageclassificationtargetdetectionmodelbasedonYolo_ESFanJinhao1,2CuiLizhi1,2(1.SchoolofElectricalEngineeringandAutomation,HenanPolytechnicUniversity,Jiaozuo454000,China;2.HenanKeyLaboratoryofIntelligentDetectionandControlofCoalMineEquipment,HenanPolytechnicUniversity,Jiaozuo454000,China)Abstract:Atpresent,garbageclassificationhasbeenwidelyconcernedbythegovernmentandsociety.Facingthedemandforreal-timeandaccuratejudgmentofwasteclassificationinthesortingprocess,aYolo_EStargetdetectionalgorithmwasproposed.ThealgorithmtakesYolov4asthebasicnetwork.Firstly,EfficientNetisusedasthebackbonefeatureextractionnetworktorealizethelightweightofthealgorithm;secondly,theMBConvmoduleisreconstructedbytheattentionmechanismECAtofilteroutthehigh-qualityinformation,enhancethefeatureextractionabilityofthemodelandreducethenumberofparameters;atthesametime,aimingattheproblemthatitiseasytolosedetailedinformationinthemax-pooling,theSoftPoolisusedtoreplacetheMaxPoollayerintheSPPmoduletoretainmorefine-grainedfeatureinformation...
