基于改进YOLOv5s的道路坑洼检测算法

摘要：

针对现有目标检测算法难以对道路坑洼进行精准检测、检测速度慢等问题,提出一种基于改进YOLOv5s的道路坑洼检测算法.首先在YOLOv5s主干网络中融入坐标注意力(Coordinate Attention,CA)模块,使模型不仅捕获跨通道信息,还捕获方向和位置敏感信息,有助于模型更准确地定位和识别检测对象;然后在空间金字塔池化(Spatial Pyramid Pool,SPP)模块中采用软池化SoftPool改进最大池化操作,保留更详细的特征信息;在特征融合阶段,使用基于内容的功能重组(Content-Aware ReAssembly of Features,CARAFE)对多尺度特征融合中上采样进行改进,动态生成自适应内核,可以在一个大的感受野内聚集上下文信息;最后,使用Alpha-IoU对损失函数进行改进,提高边框回归精度.实验结果表明,改进的YOLOv5s算法在平均精度上较原始网络提高了4.6个百分点,与其他主流算法SSD、Faster R-CNN、YO-LOv3、YOLOv3-tiny、YOLOv4-tiny相比检测精度有较大提升.

关键词：深度学习、坑洼检测、坐标注意力、最大池化

分类号：TP391(计算技术、计算机技术)

资助基金：贵州省科技计划项目2021

在线出版日期：2023-07-18（万方平台首次上网日期，不代表论文的发表时间）

页数：共7页

页码：69-75