目标识别是计算机视觉中一项重要的技术,随着深度学习的兴起,基于卷积神经网络的目标识别算法弥补了传统算法在识别精度、速度方面的不足。然而,基于卷积神经网络的目标识别算法网络计算复杂、生成模型较大,占用了设备大量的算力资源和存储空间,在无GPU的嵌入式设备上应用,识别精度和速度未能达到理想的效果。基于上述问题,论文以主流网络YOLOv3为基础,从提高算法识别准确率和对识别算法模型轻量化两个方面进行研究。针对目标识别准确率方面,论文设计了基于YOLOv3改进的高精度目标识别算法CFPN＿YOLO。CFPN＿YOLO通过改进原有多尺度融合预测的方法,调整输入尺寸并在倒数第四层增加一个预测层进行更多层的特征融合,使网络获得图像更丰富的底层细节信息;引入一致性监督损失函数,减少特征求和前不同预测层之间的信息丢失,提高算法的识别率。将改进算法在NWPU VHR-10和Aug-Fruits360两个数据集上分别进行测试,并与其他算法进行对比。实验结果表明,改进后算法的识别准确率相比YOLOv3分别提高了12.9%和15.1%。针对目标识别算法轻量化方面,论文首先在改进CFPN＿YOLO算法的基础上设计了轻量化识别算法LDS＿YOLO。LDS＿YOLO结合深度可分离卷积对网络卷积块进行改进,将传统卷积替换成3×3和1×1的点卷积,加深网络深度减少模型参数;引入密集连接模块替换残差模块,增加不同层之间的关联度,避免过拟合与梯度消失的问题。改进算法选择用Aug-Fruits360数据集完成识别模型训练,并在无GPU的树莓派3B+平台上进行测试,分析其在目标识别精度、速度和参数量等方面的提高和优化程度。实验结果表明,改进后算法的识别准确率相比YOLOv3提高了10.7%,模型参数量平均只有8M,计算量为125 MFLOPs。然后,通过改进特征通道权重的剪枝操作,进一步对模型进行轻量化,在保证识别率的基础上将模型参数量降低为3.6M,计算量为77MFLOPs,测试识别率比原始模型损失不到2.3%,速度达到17帧/秒。最后,通过在其他公共数据集上进行训练和测试,并与主流识别算法进行对比,分析轻量化后算法模型的抗过拟合能力和泛化能力,证明基于卷积神经网络的轻量化目标识别算法的有效性和可行性。