[发明专利]基于YOLOv3剪枝网络的实时物体检测系统

说明书

本发明公开了一种基于YOLOv3剪枝模型和嵌入式开发板的实时检测系统，包括实时视频采集及预处理模块，物体识别与检测模块和显示及保存模块。实时视频采集及预处理模块，将实时视频数据转化为单帧图像后进行预处理。物体识别与检测模块，对模型进行训练并剪枝，得到压缩后的模型。将预先训练好的权重数据载入到卷积神经网络中，用卷积网络对图像数据中的物体进行检测。显示及保存单元，将识别到的物体进行实时显示并将结果进行保存。通过实时视频采集及预处理模块，对实时视频数据进行预处理，可实现复杂环境下的物体实时检测。通过物体识别与检测模块使用YOLOv3剪枝网络进行物体识别与检测，可以达到实时，高精度的检测效果。

技术领域

本发明属于一种基于深度学习的实时物体检测系统，具体涉及YOLOv3剪枝网络和嵌入式开发板。

背景技术

实时目标检测技术是近年来计算机视觉领域中的研究热门，这种技术包括对轻量级目标检测网络的设计、目标数据集的制作，模型部署载体的研究等。目前，基于图像序列的实时目标检测技术可实现计算机观察和检测图像序列中的目标，该技术在未来智能驾驶和计算机智能分拣中都有着代表性。其中，最潜在的应用之一在于实时，快速的智能分拣领域中，如无人流水线上的机器人智能分拣。

在无人的机器人智能分拣环境中，检测的准确性是首先要考虑的因素。在早期基于卷积神经网络的目标检测任务中，Ross Girshick等人提出预先提取一系列候选区域，在候选区域上进行特征的提取的目标检测方法，该方法奠定了R-CNN系列方法的基础，并衍生出更加完美的Fast R-CNN，Faster R-CNN和Mask R-CNN目标检测模型(R.Girshick,J.Donahue,T.Darrell,and J.Malik.Rich feature hierarchies for accurate objectdetection and semantic segmentation.In CVPR,2014.)。R-CNN系列包括最先进的Faster R-CNN模型在目标检测与识别上有着最高的图像识别精确度，但卷积网络模型都具有大量的层级和节点，所用到的参数达到几百万甚至几十亿，网络的这种计算密集性和存储密集性，会带来巨大的计算和内存消耗，不能满足快速、实时应用的需求；难以应用到计算量小、存储空间小的移动设备上。

机器人智能分拣的第二个重点就是实时性，之前的目标检测模型无法胜任实时性的要求。为了解决之前模型参数量过大，检测速度慢的缺点，Joseph Redmon等人提出了YOLO网络,并由此衍生出了YOLOv2，YOLOv3网络(J.Redmon,S.Divvala,R.Girshick,A.Farhadi.You Only Look Once:Unified,Real-Time Object Detection.https://arxiv.org/abs/1506.02640,2015)。此系列的网络将物体检测任务直接当作回归问题来处理，将选择候选区和检测两个阶段合二为一。YOLO将识别与定位合二为一，结构简便，检测速度快。

虽然YOLO系列模型已经大大提高了检测速度，减少了模型大小，但因为卷积神经网络本身的参数量庞大，依然无法顺利部署到低配置的嵌入式设备和移动设备上。因此在嵌入式设备上部署卷积神经网络模型成为时下亟待解决的问题。

发明内容

本发明克服现有技术的缺点，提出一种易实现、适用性高的，基于YOLOv3剪枝网络和NVIDIA Jetson NANO嵌入式开发板的实时物体检测系统，此系统在保证高精度的同时，可以实现快速的实时检测。

首先，该系统克服了深度目标检测模型参数量大，计算损耗高的缺点，解决了深度目标检测模型无法成功部署在小型嵌入式开发板上的问题。其次克服了现有的目标检测模型推理速度过慢的缺点，解决了深度目标检测模型无法有效做到实时检测的问题。

本发明为解决现有技术问题所采用的技术方案为：

一种实时物体检测系统，包括：实时视频采集及预处理模块，物体识别与检测模块和显示及保存模块。