来源：期刊VIP网 时间：
作者：王正家;丁聪;庄健;肖喆;程培;杨剑东;
单位：湖北工业大学机械工程学院;湖北工业大学现代制造质量工程湖北省重点实验室;
摘要：针对当前复杂工业场景下条码检测精度低、多尺度识别难度大、检测算法复杂度高的问题，本研究提出一种基于改进YOLOv7-tiny的轻量级条码检测算法。首先，针对检测算法复杂度高、难部署到嵌入式设备的问题，引入ShuffleNet v2轻量化网络并将其结构中步长为2的深度可分离卷积修改为空洞卷积来扩大感受野，修改后作为新的特征提取网络。其次，嵌入CBAM(Convolutional Block Attention Module)轻量级注意力机制提高网络特征提取能力，获取更丰富的语义信息，提升小目标检测精度。最后，采用SIoU损失函数替代原始的CIoU损失函数，增强条码定位能力。实验结果表明，改进后的YOLOv7-tiny模型相比原模型的平均精度和速度分别提升了2.36%和19frame/s、参数量和计算量分别减少了0.9MB和1.9G，满足工业场景下条码检测准确度与速度的要求。
关键词：条码;;深度学习;;目标检测;;轻量级;;YOLOv7-tiny
基金资助：国家自然科学基金项目(No.51275158)
