SCP-YOLO:肠道息肉边缘设备检测算法OA

为解决肠道息肉目标检测任务中普遍存在的计算资源需求高、实时性差与检测准确率不足的问题,该文提出一种基于YOLOv4-tiny的轻量化嵌入式检测模型SCP-YOLO(Structured Spatial-Channel Cooperative Perception-YOLO)。该模型在基础卷积单元中引入单头自注意力机制(Single-Head Self-Attention, SHSA)有效增强特征表达能力;在上采样部分引入通道先验卷积注意力(Channel Prior Convolutional Attention, CPCA)用于特征重建。CPCA由多尺度统一局部化注意力(Multi-scale Unified Localized Attention Architecture, MULAA)和集中式整体重构卷积(Centralized Overall Reconstruction Convolution, CoReConv)集成,而MULAA和CoReConv则分别由上下文锚点注意力(Context Anchor Attention, CAA)与空间通道重构卷积(Spatial and Channel Reconstruction Convolution, ScConv)重构而来,在减少参数量的同时提升了多尺度特征融合效果,有效实现了通道与空间维度的高效协同重建。模型最终部署于Xilinx Zynq-7020嵌入式平台,具备优异的低功耗特性。实验结果表明,SCP-YOLO的参数量仅6.48 M,在Kvasir-SEG数据集上的平均精度(mAP)达90.14%,精度(Precision)达91.29%,相较于原模型分别提升了6.68百分点和2.76百分点,并在PASCAL VOC 2007数据集上展现出了良好的泛化能力,在维持精度的同时提升了硬件适应性,有效满足资源受限环境下肠道息肉的实时检测需求。