基于改进网络通道剪枝算法的接触网零部件实时检测

为满足接触网零部件在线检测的要求,提出一种改进的网络通道剪枝算法,极大提升了利用深度学习方法进行接触网零部件检测的实时性.以YOLOv5s作为零部件检测的深度网络,通过在损失函数中加入L1正则项来对网络进行稀疏训练,以得到一个稀疏模型.引入尺度缩放因子来评估稀疏模型中通道的重要性,裁剪具有较小缩放因子的通道和滤波器.在此基础上,提出一种Bottleneck残差结构的修剪方法,进一步提高网络的压缩比.同时,构建一种网络通道规整化策略,使剪枝后网络每层保留的通道数为8的倍数,从而保持原网络的规整性,优化网络在硬件设备上的推理速度.实验结果表明,该方法对10类零部件的mAP值为83.7％,仅比YOLOv5s低0.2％,但模型的参数量减少了 93％,模型存储空间压缩到原来的10％.此外,检测速度从85 FPS提高到154 FPS,提升了 81％,基本满足高速铁路接触网零部件的实时检测需求.