龙图腾网&IPTOP
- 微信扫码登录
- 账号密码登录
- 短信登录/注册
申请/专利权人：长春理工大学
申请日：2024-04-17
公开（公告）日：2024-06-28
公开（公告）号：CN118262217A
主分类号：G06V10/82
分类号：G06V10/82;G06V10/764;G06N3/0455;G06N3/0464;G06N3/082
优先权：
专利状态码：在审-公开
法律状态：2024.06.28#公开
摘要：近年来目标检测技术被广泛应用于垃圾分类领域。基于深度学习的目标检测技术能够自动识别和分类不同类型的垃圾，大幅度提高了垃圾分类的准确性和效率，但目前的深度学习模型往往具有大量的参数和复杂的结构，导致模型体积庞大、运行速度慢，不适用于资源受限的环境。因此，对基于深度学习的目标检测模型进行压缩和优化变得至关重要。本发明选用YOLOv7作为垃圾检测的主干网络，并对其进行改进，通过DW‑SPPFCSPC模块替换SPPCSPC模块降低计算量，并加入ECA注意力加强对重要特征通道的关注，在此基础上，利用网络中的依赖关系将参数分组，根据分组应用通道剪枝算法对上述结构进行模型压缩，之后并对改进后的网络模型进行训练，最后将待测图像输入训练得到的检测模型中，输出目标垃圾种类，并在VOC数据集上对本发明中所提出的方法进行验证，取得了较好的分类效果。
主权项：1.一种改进YOLOv7的垃圾检测网络模型轻量化方法，其特征是：该方法由以下步骤实现：步骤一、自建garbage数据集，训练集与测试集按照9∶1划分，并对所有数据集进行预处理。步骤二、选取YOLOv7作为模型，用DW-SPPFCSPC模块替换SPPCSPC，并在主干网络中加入ECA注意力机制。步骤三、利用网络依赖关系将参数分组，根据分组应用通道剪枝算法对上述结构进行模型压缩。步骤四、设置训练超参数，将训练集图像输入到改进后的YOLOv7网络模型，得到训练完备的垃圾分类检测模型。步骤五、将待测图像输入训练得到的检测模型中，输出垃圾类别。步骤六、将公开数据集VOC分别输入到YOLOv7原始网络和改进后的YOLOv7网络模型中，实验结果进行对比。
全文数据：
权利要求：
百度查询： 长春理工大学 一种改进YOLOv7的垃圾检测网络模型轻量化方法
免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。
主营中国专利交易买卖与专利转让许可,高校科技成果推广与科技成果转化,知识产权运营管理与平台开发,科技人才专家库与科技猎头等科技服务
开放平台
担保交易
惠及多方
会员特惠
专属平台
适合多方
数据共享
功能齐全
皖公网安备 34010402703815号