基于改进YOLOv5的交通标志识别方法

TP391; 交通标志检测是自动驾驶领域重要的环节,针对当前交通标志的识别存在漏检、误检、模型参数多,以及常见且复杂的代表性真实环境情况,如雾天鲁棒性差的问题,提出一种改进YOLOv5的小目标交通标志识别算法.首先对数据集进行雾化操作以适应在雾天情况下的准确识别,使用更加轻量的部分卷积(partial convolution,PConv)构建PC3特征提取模块;随后在颈部网络中提出延伸的特征金字塔(extended feature pyramid network,EFPN),为小目标添加一个小目标检测头,同时删去原始颈部网络中针对大目标的检测头,提高小目标识别准确率的同时降低网络参数;最后引入...

Full description

Saved in:
Bibliographic Details
Published in光电工程 Vol. 51; no. 6; pp. 中插2 - 33
Main Authors 曲立国, 张鑫, 卢自宝, 刘玉玲, 陈国豪
Format Journal Article
LanguageChinese
Published 安徽师范大学物理与电子信息学院,安徽 芜湖 241002 01.06.2024
安徽省智能机器人信息融合与控制工程研究中心,安徽 芜湖 241002%安徽师范大学物理与电子信息学院,安徽 芜湖 241002%湖北省武汉市武汉铭科轨道交通装备有限公司,湖北 武汉 430074
Subjects
损失函数
small object detection
deep learning
loss function
lightweight convolution
YOLOv5
深度学习
小目标检测
轻量化卷积
EFPN
Online AccessGet full text
ISSN1003-501X
DOI10.12086/oee.2024.240055

Cover

More Information
Summary:TP391; 交通标志检测是自动驾驶领域重要的环节,针对当前交通标志的识别存在漏检、误检、模型参数多,以及常见且复杂的代表性真实环境情况,如雾天鲁棒性差的问题,提出一种改进YOLOv5的小目标交通标志识别算法.首先对数据集进行雾化操作以适应在雾天情况下的准确识别,使用更加轻量的部分卷积(partial convolution,PConv)构建PC3特征提取模块;随后在颈部网络中提出延伸的特征金字塔(extended feature pyramid network,EFPN),为小目标添加一个小目标检测头,同时删去原始颈部网络中针对大目标的检测头,提高小目标识别准确率的同时降低网络参数;最后引入Focal-EIOU替换CIOU作为损失函数,以此来解决小目标的误检和漏检问题,嵌入CBAM注意力机制,提升网络模型的特征提取能力.改进的模型性能在TT100K数据集上得到验证,与原YOLOv5算法相比,改进模型在精确率(P)、mAP0.5上分别提高了8.9%、4.4%,参数量降低了44.4%,在NVIDIA 3080设备上FPS值为151.5,可满足真实场景中交通标志的实时检测.
ISSN:1003-501X
DOI:10.12086/oee.2024.240055