智能交通
陈子昂, 郭唐仪, 隋立岩, 周洋, 陈新
道路交通标志的遮挡、磨损等异常,对交通安全和通行效率造成很大的影响。针对目前道路交通标志异常状态检测实践中存在的检测误差高、模型大而难嵌入设备终端等问题,提出了一种基于YOLOv5s优化的目标检测轻量化模型。提出的YOLOv5s优化模型内容包括:以MobileNetv3网络来替换模型主干网络,减小模型的大小;以BiFPN网络替换原生的PANet网络,减少冗余计算,提高模型特征融合的能力;以CBAM轻量级注意力机制代替MobileNetv3的SENet注意力机制模块,提升模型准确性;引入焦点损失函数,改善正负样本数量失衡影响。以南京、淮安获取的交通标志异常状态图片为基础数据,运用图像处理方法将原始的数据集进行扩充,共获取到了2 511张标志遮挡异常状态的图片和2 615张标志磨损异常状态的图片。运用该模型检测道路交通标志遮挡和磨损等异常,采用Adam优化器训练至模型收敛。结果表明,模型的mAP达到90.5%,精确度为91.28%,召回率为90.32%,F1分数为0.9,检测速度达到52帧/s。与原YOLOv5s模型相比,模型大小仅为其1/2,且精确度、F1分数、检测速度分别提高了3.84%,0.03,3.84帧/s。结果表明,提出的基于YOLOv5s优化的目标检测模型,在提高检测准确率的同时还能够满足轻量化的需求,能较好嵌入智能养护移动端,实现对于道路交通标志异常状态的智能化检测。