基于协调注意力机制的轻量级YOLOv4零件检测

来源：计算机技术与发展杂志2024年第08期北京时间：

作者：朱文博;陈龙飞;余琦

摘要：针对零件自动检测任务在复杂工况下,如零件堆叠粘连、有杂物干扰等,存在实时性差、硬件资源占用大等问题,提出一种基于轻量级 YOLOv4 网络的零件检测方法。 采用 MobileNeXt 代替 CSPDarkNet53 作为主干特征提取网络(backbone),并在每个卷积模块中添加协调注意力机制,用于增强特征层的语义表达能力;提出一种 Fused-Sandglass 模块插入到浅层的 backbone 中,提高网络的推理速度;网络训练方面引入渐进式训练方法和 focal loss 损失函数,提升训练速度,并且有效缓解正负样本失衡的问题。 实验结果表明,该方法在 15 种零件的检测任务中能够保持和 YOLOv4 网络相近的准确率,但参数量大小仅为其 20% ,推理速度达到了 43. 7 fps,能够满足实际生产的需求。

关键词：深度学习;协调注意力机制;零件检测;YOLOv4网络;MobileNeXt网络