:针对 Yolo-V5目标检测算法在露天矿应用中存在的模型拟合能力低、实时目标检测占用内存过大及设备配置要求高等缺陷,提出融合优化策略对 Yolo-V5模型进行轻量级优化研究。在模型训练阶段,引入动量改进torch.optim.SGD()算法对模型训练权重进行优化,加快训练收敛速度,增强模型拟合度;模型训练后,在 OpenVino环境下对 Yolo-V5模型进行网络层剪枝和 FP16量化,模型体积压缩75%,运算内存降低33.88%。通过实验室对比试验,得出如下结论:相较搭载 GPU 设备,采用融合优化策略的检测模型,在低配置CPU 设 备 上 推 理 FPS 提 升 83.71%,平 均 推 理 时 间 降 低45.11%,8类驾驶行为检测预警时间降低9.89%~82.21%,对吸烟、吃喝、手机检测精确度提升3.34%~10.00%。研究表明:融合优化策略实现了 Yolo-V5轻量级优化的研究目标,实时目标检测摆脱了对 GPU 设备的依赖,为 Yolo-V5目标检测进一步在露天矿应用推广打下了良好的研究基础