10.11772/j.issn.1001-9081.2021071305
基于YOLOv5的雾霾天气下交通标志识别模型
针对雾霾、雨雪等恶劣天气下小型交通标志识别精度低、漏检严重的问题,提出一种基于YOLOv5的雾霾天气下交通标志识别模型.首先,对YOLOv5的结构进行优化,采用逆向思维,通过削减特征金字塔深度、限制最高下采样倍数来解决小目标难以识别的问题,并通过调整残差模块的特征传递深度来抑制背景特征的重复叠加;其次,引入数据增强、K-means先验框、全局非极大值抑制(GNMS)等机制到模型;最后,在中国交通标志数据集TT100K上验证改进YOLOv5模型在面对恶劣天气时的检测能力,并对精度下降最显著的雾霾天气下的交通标志识别展开了重点研究.实验结果表明,改进YOLOv5模型的F1-score达0.92150,平均精度均值@0.5(mAP@0.5)达95.3%,平均精度均值@0.5:0.95(mAP@0.5:0.95)达75.2%,且所提模型在恶劣天气下仍能进行交通标志的高精度识别,每秒检测帧数(FPS)达到50,满足实时检测的需求.
深度学习、目标检测、YOLOv5、特征金字塔、雾霾天气、交通标志识别
42
TP391.41(计算技术、计算机技术)
国家自然科学基金;湖南省教育厅科学研究项目;湖南师范大学湘江人工智能学院科研创新项目
2022-09-29(万方平台首次上网日期,不代表论文的发表时间)
共9页
2876-2884