相关实验视频
Updated: May 30, 2025
08:05
Design and Analysis for Fall Detection System Simplification
Published on: April 6, 2020
10.6K
一个优化的轻量级实时检测网络模型,用于物联网嵌入式设备
Rongjun Chen1,2, Peixian Wang1, Binfan Lin1
1School of Computer Science, Guangdong Polytechnic Normal University, Guangzhou, 510665, China.
Scientific reports
|January 30, 2025
概括
一个新的轻量级模型,FRYOLO,通过优化YOLOv8.8来实现物联网 (IoT) 设备的实时对象检测. 这种FRYOLO模型在生产线上检测水果缺陷等任务中实现了高准确性和速度.
科学领域:
- 计算机视觉 计算机视觉
- 嵌入式系统 嵌入式系统
- 深度学习 (Deep Learning) 是一种深度学习.
背景情况:
- 物联网 (IoT) 设备需要对智能制造和自动驾驶等应用程序进行高效的实时目标检测.
- 在资源有限的物联网嵌入式设备上部署像YOLOv8这样的先进模型会带来重大的计算挑战.
研究的目的:
- 开发和部署一个优化,轻量级的实时检测网络模型 (FRYOLO),适合物联网嵌入式设备.
- 解决在具有有限计算资源的设备上部署高性能深度学习模型的局限性.
主要方法:
- 提出并部署FRYOLO,一个优化的轻量级实时检测网络.
- 通过实时检测生产线中的新鲜水果和缺陷水果的案例研究来评估FRYOLO的性能.
主要成果:
- FRYOLO实现了84.7%的回忆,92.5%的精度和89.0%的平均精度 (mAP).
- 该模型显示检测率高达每秒33 (FPS),满足实时要求.
- 对于各种水果类型和状态,FRYOLO展示了低培训成本和高检测性能.
结论:
- FRYOLO是物联网嵌入式设备上实时对象检测的可行解决方案,克服了资源限制.
- 实施的智能生产线系统展示了FRYOLO在工业物联网场景中的实际应用.
- FRYOLO为高效的水果生产流程提供了强大的技术支持,并在现实世界物联网应用中证明了其有效性.
