.png){kind=icon}
返回
Improved YOLO for fabric defect detection algorithm deployment based on FPGA
.png){kind=icon}
PRE
AI
DOI：10.1007/s11554-025-01820-w.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
随着嵌入式人工智能（EAI）和深度学习（DL）的快速发展，实时目标检测与分类的研究逐渐转向边缘设备，尤其是在织物缺陷检测领域。然而，传统深度学习方法在边缘设备上的应用面临诸多挑战，主要源于实时检测对资源和计算能力的高需求，以及缺陷类型的多样性和小样本问题。因此，本文提出了一种高效轻量化的检测算法。首先，通过引入高效的Ghost模块改进原始YOLOv5s结构，显著减少模型参数和计算复杂度，同时提升特征提取能力。其次，采用Powerful-IoU（PIoU）提升模型的收敛速度和检测精度。最后，设计并实现了一个基于FPGA的实时缺陷检测与分类系统，并在Kria KV260开发板上完成边缘部署。实验结果基于阿里巴巴云天池公开织物缺陷数据集，显示改进模型的mAP50和mAP50–95分别提升了1.7%和0.8%，参数量和计算量分别降低了30.3%和35.5%。部署在FPGA上的系统处理预处理视频帧的速度达到47帧每秒（FPS），功耗仅为3.95 W。这表明该系统在快速、准确、可靠的织物缺陷检测方面表现优异，且满足工业实时性要求。
Keyword:
FPGAs
Edge computing
Object detection and classification
Vitis AI
期刊
IF:
3
论文数:
408
被引数:
2.0K
机构
引用论文
Efficient Dynamic Reconfigurable CNN Accelerator for Edge Intelligence Computing on FPGAFPGA上用于边缘智能计算的动态可重构CNN加速器.png)
Information
OAAI
InformationIF0
OAAI分享收藏Faster R-CNN: Towards Real-Time Object Detection with Region Proposal Networks更快的r-cnn: 基于区域建议网络的实时目标检测
OAAI
OAAI分享收藏FPGA-Based Real-Time Object Detection and Classification System Using YOLO for Edge Computing基于FPGA的YOLO边缘计算实时目标检测与分类系统IEEE ACCESSOAAI
IEEE ACCESSIF3.6
OAAI分享收藏An FPGA-Based YOLOv5 Accelerator for Real-Time Industrial Vision Applications基于FPGA的YOLOv5实时工业视觉加速器OAAI
OAAI分享收藏High-speed YOLOv4-tiny hardware accelerator for self-driving automotive高速YOLOv4-tiny自动驾驶汽车硬件加速器
PREAI
分享收藏
查看更多内容