我国目前残疾人总数超过8000万人,其中肢体类和视力残疾占比最多。为了解决视力、肢体类残疾人拿取生活必须品困难的问题,最新研究将目标检测算法移植在移动机器人上,通过摄像头拍取室内照片,并利用目标检测算法搜索物品所在位置,可以有效辅助视力、肢体类残疾人进行日常活动,解决该类残疾人在日常生活中常见的问题。本文对适用于室内小目标数据集的目标检测模型及硬件加速进行研究。论文基于YOLOv3 模型进行改进,提出了 YOLOv3-ShuffleNetv2、tiny-YOLOv3-ShuffleNetv2 两种轻量级目标检测模型。为验证模型的有效性,创建了室内小目标物品数据集indoor2020,将其作为评价模型性能的标准,对比了 YOLOv3、YOLOv3-ShuffleNetv2、tiny-YOLOv3-ShuffleNetv2三种模型的检测精度和检测速度。为了进一步提高检测速度,使用HLS 工具对目标检测模型各模块进行SoC硬件设计加速。论文采用了将轻量级网络ShuffleNetv2与目标检测网络YOLOv3结合的方案,既能够保证网络检测效果较好,又可以减轻模型,使其满足轻量化的要求,以便于移植到移动机器入中,并针对数据图像对模型进行改进优化,使其可以适用于室内小目标数据集。硬件加速部分采用Zynq-7000系列SoC开发板对训练好的模型进行分模块设计,本文设计的目标检测模型主要包含标准卷积、深度可分离卷积和最大池化层,因此硬件加速部分分别对这三个模块进行硬件结构搭建以及仿真综合。实验结果表明,YOLOv3模型大小为235M,检测速度为12帧/s;将YOLOv3与Shuffle-Netv2结合的YOLOv3-ShuffleNetv2模型大小为82M,检测速度为26帧/s,相对于YOLO-v3,模型减小为之前的1/3,速度提升了一倍;适用于小目标数据集的tiny-YOLOv3-Shuffle-Netv2模型大小为仅为20M,检测速度高达38帧/s。与YOLOv3相比,模型减小为之前的1/10,速度提升了 3倍。在Indoor2020数据集上进行评估,YOLOv3模型mAP为0.61;YOLOv3-ShuffleNetv2 模型 mAP 为 0.65;而 tiny-YOLOv3-ShuffleNetv2 模型 mAP 为 0.78。仿真和综合显示,这三种卷积核在SoC开发板上的资源利用率都较小,均不超过10%。可见,本文提出的tiny-YOLOv3-ShuffleNetv2模型可以满足实时性与轻量化的要求,并且准确率在三种模型中最高,可以实现移植入移动机器人中的目标。本文设计的目标检测模型及硬件加速方案可以为室内小目标数据集的检测提供算法与硬件实现参考。