梁铭炬

（广东顺德工业设计研究院（广东顺德创新设计研究院），广东 佛山 528300）

0 引言

在现存的初中物理电路实验教学中，由于存在单个老师无法同时对多个学生的实验操作进行评分的问题，因此需要开发基于嵌入式设备的智能电路实验评分系统，利用该系统对人工智能进行评分，基于目标检测算法的电路元器件检测是该系统的的关键之一。

目前，应用较为广泛的基于深度学习的目标检测算法可分为2 类：1） 基于候选区域的目标检测算法。具有代表性的算法有R-CNN、Fast R-CNN 和Faster R-CNN 等[1]。2） 基于回归的目标检测。具有代表性的算法有SSD、YOLOv2 和YOLOv3 等[2]。与第一类算法相比，它们具有检测速度高、检测精准率低的特点。

针对嵌入式设备存在计算能力不足的问题，该文以YOLOv3-Tiny 算法为基础提出了OP_YOLOv3 Tiny 算法。首先，采用5 层MAX Pooling 对特征矩阵进行OP 降维操作，削弱池化的特征弱化现象。其次，优化调整图像尺寸，丰富小目标的浅、深层语义信息，提高检测小目标的精准率；同时，在训练算法模型前，使用K-means聚类算法获得训练集最佳Anchor box 参数。最后，在采集到的电路实验器材数据集上进行训练和测试。

1 相关工作

1.1 YOLOv3-Tiny 算法

在网络结构上，YOLOv3-Tiny 算法使用卷积层、批归一化层及激活函数层融合的结构提取输入图像的特征，并采用非重叠最大池化操作对特征矩阵进行降采样，同时，使用2 个不同尺度的特征图（feature map）进行目标预测。YOLOv3-Tiny 算法的模型结构如图1 所示。

图1 YOLOv3_Tiny 算法网络结构图

YOLOv3-Tiny 算法可以接受任意尺寸的图像数据，输入数据在送入卷积神经网络之前被调整为固定尺寸。……