科研之友
微信
新浪微博
Facebook
分享链接
摘要
针对传统列车轨道障碍物检测方法实时性差和对小目标检测精度低的不足，提出一种改进YOLOv5s检测网络的轻量化障碍物检测模型。首先引入更加轻量化的Mixup数据增强方式，替代算法中原有的Mosaic数据增强方式；其次引入GhostNet网络结构中的深度可分离卷积GhostConv，替代原有YOLOv5s模型中特征提取网络与特征融合网络中的普通卷积层，减小了模型的计算开销；在模型特征提取网络末端加入CA空间注意力机制，让算法在训练过程中减少了重要位置信息的丢失，弥补了改进GhostNet对检测精度的损失；最后将改进后的模型进行稀疏训练和通道剪枝操作，剪枝掉对检测精度影响不大的通道，同时保留重要的特征信息，使模型更加轻量化。实验结果表明，改进后的模型在自制的多样化轨道交通数据集上相较于原始YOLOv5s算法在模型大小减小了9.7MB，FPS提高了14的前提下，检测精度提升了1.0%。同时与目前主流的检测算法对比在检测精度与检测速度上也具有一定的优越性，适用于复杂轨道交通环境下的障碍物目标检测。
- 出版日期2022-10-27
- 单位中车株洲电力机车有限公司; 长安大学; 湖南大学; 西安电子科技大学
