基于轻量化目标检测算法的工程建设质检方法实现

doi:10.11959/j.issn.1000-0801.2022202

电信科学 ›› 2022, Vol. 38 ›› Issue (Z2): 212-217.doi: 10.11959/j.issn.1000-0801.2022202

• AI技术与应用 • 上一篇

基于轻量化目标检测算法的工程建设质检方法实现

黄煜骁, 段智华, 王忠文, 郭晶, 黄奕

中国电信股份有限公司上海分公司，上海 200120

修回日期:2022-06-10 出版日期:2022-12-01 发布日期:2022-12-01
作者简介:黄煜骁（1993- ），男，中国电信股份有限公司上海分公司云网运营部工程师，主要从事大数据和 AI 应用能力建设、项目规划和管理等工作
段智华（1976- ），男，中国电信股份有限公司上海分公司网络操作维护中心高级工程师，主要从事深度学习、神经网络、NLP等方面的工作
王忠文（1998- ），男，现就职于中国电信股份有限公司上海分公司网络操作维护中心，主要从事图像算法研究、云计算等方面的工作
郭晶（1985- ），女，中国电信股份有限公司上海分公司云网运营部工程师，主要从事大数据和人工智能数据模型开发建设等方面的工作
黄奕（1994- ），女，中国电信股份有限公司上海分公司云网运营部工程师，主要从事大数据和人工智能能力建设、数据分析挖掘建模等方面的工作

Revised:2022-06-10 Online:2022-12-01 Published:2022-12-01

摘要/Abstract

摘要：

针对电信运营商的工程建设质量检测场景，提出了基于YOLO目标检测算法搭建智能化识别模型的方法，结合基于轻量化的YOLO-Fastest目标检测算法进行能力建设来提升模型的可用性和实时性、使用图像数据增强等技术提升模型的泛化性、通过聚类算法提升模型的精准性3项举措，并基于RESTful协议部署API开放该能力以供App端调用，实现智能化质量检测替代人工质检。

关键词: 目标检测算法, YOLO, 神经网络, 工程质检, 轻量化算法模型, 数据增强

中图分类号:

TP393

黄煜骁, 段智华, 王忠文, 郭晶, 黄奕. 基于轻量化目标检测算法的工程建设质检方法实现[J]. 电信科学, 2022, 38(Z2): 212-217.

图/表 8

图1

表1

图2

表2

图3

表3

图4

表4

网络模型	模型文件大小/MB	准确率（基于VOC 2017）	所需算力（BFLOPS）
Tiny YOLOv2	60.5	0.571	6.97
Tiny YOLOv3	33.4	0.584	5.52
YOLO Nano	4.0	0.691	4.51
MobileNetV2-YOLOv3	11.5	0.702	2.02
Pelee-SSD	21.7	0.701	2.40
YOLO-Fastest	1.3	0.610	0.23
MobileNetv2-Yolo-Lite	8.0	0.733	1.80

网络模型	模型推理5次平均时间/ms	参数量/MB	模型文件大小/MB	操作系统和算力资源
YOLO-Fastest	6	0.25	1.5	Linux CPU 8 GB
YOLOv5	10	7.1	93.3	Windows GPU 16 GB
YOLOv5	182	7.1	93.3	Linux CPU 8 GB

网络模型	调优方法	训练过程	平均测试精准率
YOLO-Fastest	Baseline	train_img=85 batch_size=64	62.28%
YOLO-Fastest	数据增强：图像镜像、亮度调整、图像旋转（180°）	train_img=634 batch_size=64	75.06%
YOLO-Fastest	数据增强：图像镜像、亮度调整、图像旋转（180°+90°）	train_img=2 403 batch_size=128	83.53%
YOLO-Fastest	数据增强：图像镜像、亮度调整、图像旋转（180°+90°）	train_img=2 403 batch_size=128	84.69%
	激活函数：ReLU激活函数调整成Mish激活函数

压测并发数	总时长/s	线程启动总耗时/s	模型推理总时长/s	平均推理时长/s
10	3.523	0.458	3.065	0.307
50	15.438	1.919	13.519	0.270
100	30.017	3.654	26.363	0.264
200	59.833	7.080	52.753	0.264

[1]	杜思远 . 变电站人员安全帽佩戴识别算法研究[D]. 重庆:重庆大学, 2017.
[2]	REDMON J , DIVVALA S , GIRSHICK R ,et al. You only look once:unified,real-time object detection[C]// Proceedings of 2016 IEEE Conference on Computer Vision and Pattern Recognition. Piscataway:IEEE Press, 2016: 779-788.
[3]	BOCHKOVSKIY A , WANG C Y , LIAO H Y M ,et al. YOLOv4:optimal speed and accuracy of object detection[EB]. 2020:arXiv:2004.10934[cs.CV].
[4]	YOLO-Fastest:超超超快的开源ARM实时目标检测算法[Z]. 2020.
[5]	KRIZHEVSKY A , SUTSKEVER I , HINTON G E . ImageNet classification with deep convolutional neural networks[C]// Proceedings of International Conference on Neural Information Processing Systems.[S.l.:s.n.], 2012: 1097-1105.
[6]	MISRA D . Mish:a self regularized non-monotonic activation function[J]. arxiv.1908.08681. 2020.

基于轻量化目标检测算法的工程建设质检方法实现

在线阅读

PDF下载

可视化

摘要/Abstract

引用本文

使用本文

图/表 8

参考文献 6

相关文章 15

Metrics

推荐阅读 0

[1]	张杰. 语音及语义智能化技术在呼叫中心领域的研究与综合应用[J]. 电信科学, 2023, 39(Z1): 209-215.
[2]	云本胜, 干潇雅, 钱亚冠. 一种基于随机森林和改进卷积神经网络的网络流量分类方法[J]. 电信科学, 2023, 39(7): 80-89.
[3]	刘思聪, 苏丹萍, 卫天阔, 王先耀. 基于多节点协作的鲁棒可见光智能定位[J]. 电信科学, 2023, 39(5): 28-41.
[4]	卢敏, 秦泽豪, 陈志辉, 张敏, 乐光学. 基于1D-Concatenate的信道估计DNN模型优化方法[J]. 电信科学, 2023, 39(4): 71-86.
[5]	刘璐, 杨丹, 陈睿杰, 李嘉, 周熹. 基于KPCA-GA-BP神经网络的POI质量预测研究[J]. 电信科学, 2023, 39(1): 108-116.
[6]	李梦媛, 张剑, 刘颖超, 陈文强. 基于视觉AI的图片数据增强方法应用研究及测试[J]. 电信科学, 2022, 38(Z2): 193-204.
[7]	李奕江, 叶会标, 谢仁华, 楼佳丽, 庄丹娜, 李传煌. 基于图神经网络的网络性能智能预测[J]. 电信科学, 2022, 38(3): 143-157.
[8]	李攀攀, 谢正霞, 乐光学, 刘鑫. 基于深度学习的无线通信接收方法研究进展与趋势[J]. 电信科学, 2022, 38(2): 1-17.
[9]	赵海波, 相志军, 肖林松. 基于异构数据的电力短期负荷大数据预测方案[J]. 电信科学, 2022, 38(12): 103-111.
[10]	陈靓, 钱亚冠, 何志强, 关晓惠, 王滨, 王星. 深度卷积神经网络的柔性剪枝策略[J]. 电信科学, 2022, 38(1): 83-94.
[11]	康帅, 章坚武, 朱尊杰, 童国锋. 改进YOLOv4算法的复杂视觉场景行人检测方法[J]. 电信科学, 2021, 37(8): 46-56.
[12]	赵进, 杨小军. 基于GRW和FastText模型的电信用户投诉文本分类应用[J]. 电信科学, 2021, 37(6): 125-131.
[13]	孙姝君, 彭盛亮, 姚育东, 杨喜. 基于深度学习的调制识别综述[J]. 电信科学, 2021, 37(5): 82-90.
[14]	陈向荣. 基于多层感知机模型的天线方位角诊断[J]. 电信科学, 2021, 37(4): 90-96.
[15]	刘子豪, 贾小军, 张素兰, 徐志玲, 张俊. 一种融合MeanShift聚类分析和卷积神经网络的Vibe++背景分割方法[J]. 电信科学, 2021, 37(3): 133-145.