融合改进的YOLOv5n和通道剪枝的寄生卵检测和分类

来源：计算机技术与发展杂志2025年第02期北京时间：

作者：王杰;马纪颖;

单位：1. 沈阳化工大学 计算机科学与技术学院,辽宁 沈阳 110142;2. 辽宁省化工过程工业智能化技术重点实验室,辽宁 沈阳 110142

摘要：当前众多目标检测模型过于复杂,难以实现将寄生卵的检测和分类任务部署在移动设备,就此该文研究探讨了一种融合改进的 YOLOv5n 和通道剪枝的算法。 选择 YOLOv5 是由于 YOLOv5 的轻量化以及较高的精确度,能够达到该文的实验目的。 该文采用融合 C3_Faster 模块和 RepConv 重参数化模块对 YOLOv5n 的 BackBone 中的所有 C3 模块和 Neck 网络中部分卷积模块进行替换,C3_Faster 模块通过 PConv 减少卷积操作加快网络模型推理速度,RepConv 重参数化模块在训练阶段实行多分支结构增强特征提取能力,在验证阶段实行单分支结构加快检测速度,同时在改进后的 YOLOv5n 模型上进行稀疏训练和通道剪枝,通过减少模型中的冗余通道来降低模型复杂度、减少参数数量、提高检测效率和降低模型权重。 在寄生卵检测和分类任务对比实验中,该方法与 YOLOv5n、YOLOv5s、YOLOv7-tiny、YOLOv8n 和 SSD 目标检测算法相比,在检测精度略微下降的情况下,在 GFLOPs、FPS、参数数量以及模型权重上具有相对优势。 经过实验验证,模型检测精度保持 98. 3% 的同时能够更方便更容易部署在性能不高的移动设备。 该文为基于 YOLOv5n 的寄生卵检测和分类任务在实用性方面提供了一种有效的解决方案。

关键词：YOLOv5算法;寄生卵检测;C3_Faster;RepConv;通道剪枝