基于改進(jìn)算法YOLOv5+的混凝土軌枕裂紋檢測

令雅莉，楊桂芹，張又元，王小鵬

(蘭州交通大學(xué)電子與信息工程學(xué)院,蘭州 730070)

引言

鐵路運(yùn)輸安全直接關(guān)系到人民的生命安全與社會(huì)的經(jīng)濟(jì)發(fā)展。裂紋作為主要的軌枕損傷,當(dāng)細(xì)小裂紋的出現(xiàn)未及時(shí)發(fā)現(xiàn)時(shí),細(xì)小裂紋會(huì)擴(kuò)大成裂縫,繼而發(fā)展為軌枕失效,對(duì)行車安全造成威脅。因而,定期對(duì)軌枕進(jìn)行檢測,在裂紋較小的時(shí)候,及時(shí)發(fā)現(xiàn)并解決,能夠降低維修成本,提高鐵路的基礎(chǔ)設(shè)施本體設(shè)備安全。當(dāng)前,鐵路軌枕主要以人工巡檢配合機(jī)器輔助的檢測方法。在檢測過程中,這種方式主要存在人力耗費(fèi)大、長時(shí)間巡檢容易導(dǎo)致巡檢人員疲勞,造成錯(cuò)檢和漏檢、裂紋的信息需要手動(dòng)輸入,無法實(shí)現(xiàn)軌枕的自動(dòng)化檢測,速度太慢,效率低下?；谝陨显?非常有必要實(shí)現(xiàn)混凝土軌枕裂紋自動(dòng)化檢測。

目前,實(shí)現(xiàn)自動(dòng)化檢測混凝土軌枕裂紋的研究方法主要有兩大類,第一類是以RCNN[1]、Faster-RCNN[2]等為代表的雙階段檢測算法。該算法一般將目標(biāo)檢測分為兩步,第一步主要是在圖片上獲得候選區(qū)域(滑動(dòng)窗口),從而實(shí)現(xiàn)候選區(qū)域特征向量的提取。第二步是分類和位置預(yù)測候選區(qū)域。雙階段檢測算法雖然可以提高檢測準(zhǔn)確率,但由于擴(kuò)大算法模型導(dǎo)致計(jì)算量增加,檢測速度減慢,無法滿足實(shí)時(shí)性檢測的需求。第二類是以SSD[3]、YOLO[4-6]為代表的單階段檢測算法,該類算法省略了候選區(qū)域生成階段,徑直得到目標(biāo)分類和位置信息,極大提升了目標(biāo)檢測的速度。雖然這兩類算法都有相應(yīng)的優(yōu)點(diǎn),但檢測速度慢與檢測精度低的缺點(diǎn)導(dǎo)致其不適用于鐵路混凝土軌枕裂紋檢測。

考慮到雙階段算法檢測速度難以提升。因此,本文選擇單階段算法YOLOv5為基礎(chǔ),提出了一種基于改進(jìn)YOLOv5m[7]的鐵路軌枕裂紋檢測方法。該方法在骨干網(wǎng)中嵌入SE[8]注意力機(jī)制模塊對(duì)主干網(wǎng)絡(luò)進(jìn)行調(diào)整,獲取更多淺層特征從而得到更多的圖片紋理信息。文獻(xiàn)[9]通過熱力圖證明最大池化很容易使裂紋信息丟失,因此,將SPP模塊中的最大池化層更換為平均池化層來保留更多裂紋信息。設(shè)計(jì)出一種新的多尺度檢測結(jié)構(gòu),在保留速度的前提下,減少微小裂紋的漏檢情況,提高裂紋的檢測精度?？紤]裂紋的尺度變化范圍過大會(huì)影響單階段算法的檢測精度,所以采用分治標(biāo)簽的方法人為降低裂紋尺度變化范圍,減少微小裂紋的漏檢,從而提高檢測精度。

1 YOLOv5m網(wǎng)絡(luò)模型介紹

YOLOv5是一種單階段目標(biāo)檢測算法,與YOLOv4[6]對(duì)比來看,其具有均值權(quán)重文件更小,訓(xùn)練時(shí)間和推理速度更短的優(yōu)勢,YOLOv5一共有4個(gè)版本, 按照網(wǎng)絡(luò)深度大小和特征圖寬度大小分為YOLOv5s、YOLOv5m、YOLOv5l、YOLOv5x。基于對(duì)識(shí)別精度、檢測速度以及權(quán)重文件大小等因素的綜合考慮,選擇檢測速度較快、識(shí)別精度較高的YOLOv5m進(jìn)行研究與改進(jìn),其權(quán)重文件也相對(duì)較小,適合部署在嵌入式設(shè)備中,具有很高的實(shí)用性。YOLOv5m模型主要由Input、Backbone和Head這3個(gè)部分組成。如圖1所示。

圖1 YOLOv5網(wǎng)絡(luò)結(jié)構(gòu)Fig.1 YOLOv5 Network structure

Input主要包括自適應(yīng)縮放圖片、Mosaic數(shù)據(jù)增強(qiáng)以及自適應(yīng)錨框計(jì)算。因?yàn)椴煌膱D片有不同的尺寸,所以采用自適應(yīng)縮放圖片可以將原始圖片統(tǒng)一縮放到一個(gè)符合模型需求的標(biāo)準(zhǔn)尺寸,然后送入檢測模型中訓(xùn)練,本文的輸入圖片尺寸為640×640像素;Mosaic數(shù)據(jù)增強(qiáng)是利用了4張圖片,對(duì)這四張圖片進(jìn)行拼接后得到一張新的圖片,通過增加小目標(biāo)的方式極大提升小物體的識(shí)別能力,使數(shù)據(jù)更加充足;自適應(yīng)錨框計(jì)算將開始設(shè)定的錨框作為基礎(chǔ)從而輸出預(yù)測框,接著和真實(shí)框進(jìn)行對(duì)比分析,采用K均值和遺傳算法對(duì)自定義數(shù)據(jù)集實(shí)行計(jì)算,算出其中的差別后進(jìn)行反向變換,最后一直輪換參數(shù)得到最恰當(dāng)?shù)腻^框值。

2 YOLOv5優(yōu)化改進(jìn)

2.1 YOLOv5在軌枕裂紋檢測方面的不足

雖然YOLOv5模型具有識(shí)別速度快、檢測精度高的特點(diǎn),但利用既有的YOLOv5模型對(duì)混凝土軌枕裂紋進(jìn)行專有化檢測,存在以下不足。

(1)混凝土軌枕中存在大量微小裂紋,通常在提取的過程中,小目標(biāo)物體憑借淺層特征更多一點(diǎn),因此極易遺失小目標(biāo)物體信息。

(2)最大池化容易導(dǎo)致裂紋特征信息丟失,也是導(dǎo)致微小裂紋漏檢的主要原因。

(3)當(dāng)輸入圖像尺寸為640×640像素時(shí),在原始模型中,檢測分別使用8倍、16倍、32倍下采樣相應(yīng)得到尺寸大小分別為80×80、40×40、20×20像素的檢測層,分別可以檢測大小在8×8、16×16、32×32像素以上的目標(biāo),但是對(duì)于軌枕裂紋檢測而言,其存在大量的微小裂紋,而且采用分治標(biāo)簽的方法也會(huì)使裂紋分為若干段的小裂紋去檢測。因此,裂紋目標(biāo)物都變?yōu)樾〕叽缒繕?biāo)。在檢測小于8×8像素的微小裂紋時(shí)會(huì)變?yōu)槿舾啥蔚男×鸭y去檢測。因此,裂紋目標(biāo)物都變?yōu)樾〕叽缒繕?biāo)。在檢測小于8×8像素的微小裂紋時(shí)會(huì)變得困難,過大的檢測層也變得多余。

2.2 網(wǎng)絡(luò)模型改進(jìn)

2.2.1 骨干網(wǎng)改進(jìn)

由于混凝土軌枕的表面情況相比一些典型應(yīng)用場景更為復(fù)雜,且大量早期裂紋的邊緣相較一般物體與背景更難區(qū)別。原始YOLOv5模型在進(jìn)行卷積下采樣時(shí)容易使小目標(biāo)的特征信息丟失,因此在骨干網(wǎng)絡(luò)中引入SE注意力機(jī)制來強(qiáng)調(diào)更為重要的裂紋信息,抑制不太重要的背景信息,尤其對(duì)于小裂紋和密集裂紋來說,使模型更加精準(zhǔn)地定位和識(shí)別裂紋區(qū)域。

SENet是Huetal于2017年所提出的融合通道注意力與空間注意力所得到的網(wǎng)絡(luò)結(jié)構(gòu),具體結(jié)構(gòu)如圖2所示,其中W,W′,H,H′為特征圖寬高;C,C′為通道數(shù);Fsp為壓縮操作,即進(jìn)行全局平均池化;Fex為激勵(lì)操作,即為減少通道個(gè)數(shù)從而降低計(jì)算量;Fscale是通道權(quán)重相乘,輸入特征圖大小為W′×H′×C′,最后輸出特征圖大小為W×H×C。

圖2 SE(Squeeze-And-Excitation)模塊Fig.2 Squeeze-And-Excitation module

從圖2中可以看出,SE模塊主要包括Squeeze和Excitation兩部分,并通過這兩部分來處理全局信息。卷積會(huì)得到Feature map,首先對(duì)Feature map進(jìn)行處理,處理后可以得到一個(gè)與通道數(shù)量相同的一維向量,這個(gè)一維向量可以成為每個(gè)通道的評(píng)價(jià)指標(biāo),接著將指標(biāo)分配到對(duì)應(yīng)的通道上,得到最終結(jié)果。為使網(wǎng)絡(luò)能夠更好地?cái)M合通道之間的相關(guān)性,獲取更重要的通道特征的信息,在YOLOv5主干網(wǎng)中加入SE-Net通道注意力模塊,即在主干網(wǎng)絡(luò)結(jié)尾C3模塊之后,添加SENet模塊,并與之后的Head層相連。通過建立特征映射關(guān)系,使網(wǎng)絡(luò)充分利用得到的全局信息,將裂紋目標(biāo)的通道特征信息賦予更高的權(quán)重。從而更好地?cái)M合裂紋目標(biāo)通道間的相關(guān)特征信息,抑制無用的信息,最終會(huì)使模型更專注于檢測裂紋這一指定類別。其模型構(gòu)建流程如圖3所示。

圖3 SE-ResNet流程Fig.3 SE ResNet process

2.2.2 基于平均池化的SPP模塊

原始的SPP模塊主要通過5×5、9×9、13×13像素的最大池化和填充操作與未池化數(shù)據(jù)進(jìn)行concat拼接來增大感受野,提取出最重要的多方面特征。最大池化在典型場景下會(huì)有更好的效果,但對(duì)于裂紋目標(biāo)來說,卻會(huì)使得特征信息丟失。因此,本文將SPP模塊中的最大池化替換為平均池化,在具備增大感受野和提取多方面特征的優(yōu)勢下,來保留更多裂紋特征。改進(jìn)前后分別如圖4、圖5所示。

圖4 基于最大池化的SPP模塊Fig.4 SPP module based on maximum pooling

圖5 基于平均池化的SPP模塊Fig.5 SPP module based on average pooling

2.2.3 檢測結(jié)構(gòu)改進(jìn)

YOLOv5采用了3種尺度對(duì)不同大小的目標(biāo)進(jìn)行檢測。分別通過8倍、16倍以及32倍下采樣特征圖對(duì)小型、中型以及大型目標(biāo)進(jìn)行檢測[10-11]。原有多尺度檢測結(jié)構(gòu)對(duì)細(xì)小裂紋目標(biāo)容易造成漏檢,且分治標(biāo)簽的方法縮小了裂紋尺度變化范圍,使大段裂紋目標(biāo)變?yōu)樾《瘟鸭y目標(biāo)檢測。因此,針對(duì)該問題,改進(jìn)了原有的檢測結(jié)構(gòu)。

首先,刪除原始模型中32倍下采樣所得到的尺寸為20×20像素較大物體的檢測尺度;增加一個(gè)大小為160×160像素的特征圖。具體操作如下:在增加了SE注意力機(jī)制后的網(wǎng)絡(luò)結(jié)構(gòu)中第18層之后繼續(xù)對(duì)特征圖進(jìn)行上采樣操作,持續(xù)增加特征圖,在第21層時(shí),將160×160像素的特征圖與骨干網(wǎng)絡(luò)中第2層特征圖進(jìn)行張量拼接融合,從而通過新的特征融合獲取到更大的特征融合,對(duì)小目標(biāo)進(jìn)行檢測。在第22層增加小目標(biāo)檢測層。upsample為上采樣模塊,經(jīng)過上采樣操作會(huì)擴(kuò)大特征圖。改進(jìn)后的網(wǎng)絡(luò)結(jié)構(gòu)如圖6所示。

圖6 改進(jìn)后的YOLOv5網(wǎng)絡(luò)結(jié)構(gòu)Fig.6 Improved YOLOv5 network structure

3 實(shí)驗(yàn)與分析

3.1 數(shù)據(jù)集介紹

本文采用文獻(xiàn)[9]中采集的數(shù)據(jù)集,從中選取2 086張高質(zhì)量的裂紋圖片整理為本次實(shí)驗(yàn)的數(shù)據(jù)集,數(shù)據(jù)集樣例如圖7所示。按照8∶2的比例將其劃分為訓(xùn)練集和測試集,其中訓(xùn)練集有1 669張,測試集有417張。

圖7 部分?jǐn)?shù)據(jù)集樣例Fig.7 Example of part dataset

常規(guī)標(biāo)注方式有3點(diǎn)不足:(1)會(huì)使得目標(biāo)框尺度變化過大,難以收斂;(2)容易使微小裂紋漏檢;(3)通過預(yù)選錨框與真實(shí)標(biāo)簽的交并比計(jì)算容易將正確的標(biāo)注框歸類于負(fù)樣本。因此,針對(duì)以上常規(guī)標(biāo)注方式的不足之處,本文采用分治標(biāo)簽的方式并使用Labelimg對(duì)裂紋進(jìn)行標(biāo)注,具體標(biāo)注方式如圖8所示。

圖8 數(shù)據(jù)集標(biāo)注Fig.8 Dataset annotation

分治標(biāo)簽使用了適合裂紋尺度的目標(biāo)框,將裂紋被漏檢的風(fēng)險(xiǎn)降到最低。圖9為數(shù)據(jù)集的可視化結(jié)果,其中圖9(a)為數(shù)據(jù)集目標(biāo)類別的分布與目標(biāo)的數(shù)量,圖9(b)為數(shù)據(jù)集目標(biāo)中心點(diǎn)位置分布,圖9(c)為數(shù)據(jù)集目標(biāo)大小分布,橫縱坐標(biāo)分別代表目標(biāo)的寬和長。

圖9 數(shù)據(jù)集可視化結(jié)果Fig.9 Dataset visualization results

(1)

3.2 目標(biāo)框回歸損失函數(shù)

常用的目標(biāo)框回歸損失函數(shù)有GIoU[12]或CIoU[13]。GIoU能同時(shí)關(guān)注到真實(shí)框與預(yù)測框的重疊面積和其他的非重疊區(qū)域,所以GIoU與原始的IoU相比可以更好地反映兩者之間的重合度。但考慮GIoU始終只能注意到真實(shí)框與預(yù)測框之間重疊率這一個(gè)因素,無法更好地描述目標(biāo)框的回歸問題,采用CIoU_loss作為全文檢測任務(wù)的回歸損失函數(shù)。CIoU_loss[14-15]可以關(guān)注預(yù)測框與目標(biāo)框之間的重疊面積和中心點(diǎn)距離,同時(shí)也考慮預(yù)測框與目標(biāo)框的長寬比,使模型回歸效果更好,CIoU_Loss計(jì)算公式如式(1)所示。

式中,ρ2(b,bgt)為預(yù)測框與實(shí)際框兩個(gè)中心點(diǎn)之間的距離;c為最小閉合區(qū)域的對(duì)角線距離;α為權(quán)重函數(shù);υ為用來度量檢測框和真實(shí)框之間的比例的相似性。α和υ分別如式(2)、式(3)所示。

(2)

(3)

式中,hgt為目標(biāo)框的長;wgt為目標(biāo)框的寬;h為預(yù)測框的長;w為預(yù)測框的寬。

3.3 實(shí)驗(yàn)環(huán)境與模型訓(xùn)練

本文實(shí)驗(yàn)的操作系統(tǒng)為Windows10,運(yùn)行內(nèi)存為12GB,CPU型號(hào)為I5,GPU為GeForce RTX 2080 Ti,顯存大小為11GB,實(shí)驗(yàn)基于Pytorch1.7.1深度學(xué)習(xí)框架,編程語言為Python3.8,版本為CUDA 11.2。

訓(xùn)練采用SGD優(yōu)化算法,初始學(xué)習(xí)率為0.01,采用余弦退火策略動(dòng)態(tài)降低學(xué)習(xí)率,動(dòng)量因子為0.937,權(quán)重衰減系數(shù)為0.0005,Batch size為16,Epochs為100,將前3次Epoch做為模型預(yù)熱。

3.4 評(píng)價(jià)指標(biāo)

本文采用通用評(píng)價(jià)指標(biāo),即精確率(Precision)、召回率(Recall)、平均精度均值(mean Average Precision,mAP)以及幀率(Frames Per Second,FPS)對(duì)網(wǎng)絡(luò)模型進(jìn)行評(píng)價(jià)[16]。

通常在二分類問題中,常用混淆矩陣(Confusion Matrix)來表示樣本預(yù)測值的正負(fù)與樣本真實(shí)值的正負(fù)之間的關(guān)系[17],圖10表示一個(gè)混淆矩陣。

圖10 混淆矩陣Fig.10 Confusion matrix

召回率與精確率用公式表示[18],分別如式(4)、式(5)所示。

(4)

(5)

式中,FPrecision為預(yù)測裂紋中正確預(yù)測的數(shù)量占總預(yù)測裂紋數(shù)量的比例;FRecall為預(yù)測裂紋中正確預(yù)測裂紋數(shù)量占總正確預(yù)測數(shù)量的比例[19]。FTP表示將正樣本預(yù)測為正;FFP表示將負(fù)樣本預(yù)測為正;FTN表示將正樣本預(yù)測為負(fù);FFN表示將負(fù)樣本預(yù)測為負(fù)。

FAP指PR(Precision-Recall)曲線下面積,FmAP指每個(gè)類別FAP的均值[20],分別如式(6)、式(7)所示。

(6)

(7)

式中,p(r)為不同查準(zhǔn)率r下對(duì)應(yīng)的查全率p;APi為第i類的檢測準(zhǔn)確率;N為分類數(shù)。

檢測速度通常用FPS來衡量,表示檢測模型每秒處理圖片的數(shù)量,FPS值越高,網(wǎng)絡(luò)模型處理圖像的速度就越快[13]。

3.5 實(shí)驗(yàn)結(jié)果對(duì)比與分析

本文共有2組實(shí)驗(yàn)。先將改進(jìn)后的算法YOLOv5+與既有的YOLOv5算法對(duì)混凝土軌枕裂紋檢測進(jìn)行詳細(xì)對(duì)比,然后又與Faster R-CNN、YOLOv3模型進(jìn)行了性能對(duì)比。

改進(jìn)算法在訓(xùn)練100個(gè)迭代周期過程中損失變化情況如圖11所示,由圖可知,前期的損失值以較快的速度降低,但由于迭代次數(shù)逐步的增加,Loss值逐漸下降,處于一個(gè)平穩(wěn)的狀態(tài),改進(jìn)后的網(wǎng)絡(luò)模型收斂速度很快。

圖11 Loss變化曲線Fig.11 Loss variation curve

本文算法與原始YOLOv5算法平均精度均值、精確率和召回率的變化曲線對(duì)比分別如圖12～圖14所示,詳細(xì)數(shù)據(jù)對(duì)比如表1所示。在訓(xùn)練過程中,改進(jìn)后的YOLOv5模型與原始模型都采用同一個(gè)數(shù)據(jù)集和相同的參數(shù)設(shè)置,從圖中和表中可以看出,改進(jìn)后P(r)的模型在平均精度均值、精確率和召回率的對(duì)比中,均優(yōu)于原始模型,且損失值變化更加平穩(wěn)。改進(jìn)后的模型檢測速率比原始模型更快的同時(shí)模型參數(shù)量也更少,YOLOv5中為21 037 638,本文算法為17 600 742。

表1 模型改進(jìn)前后參數(shù)詳細(xì)對(duì)比 %Tab.1 Detailed comparison of parameters before and after model improvement

圖12 改進(jìn)前后mAP對(duì)比Fig.12 Comparison of mAP before and after improvement

圖13 改進(jìn)前后Precision對(duì)比Fig.13 Comparison of Precision before and after improvement

圖14 改進(jìn)前后Recall對(duì)比Fig.14 Comparison of Recall before and after improvement

為能夠進(jìn)一步對(duì)比本文改進(jìn)算法的檢測性能,將本文改進(jìn)后使用的YOLOv5+算法與普遍使用的目標(biāo)檢測模型Faster R-CNN、YOLOv3算法進(jìn)行實(shí)驗(yàn)對(duì)比分析,采用Precision、Recall和mAP三項(xiàng)指標(biāo)分別進(jìn)行評(píng)估與對(duì)比,對(duì)比實(shí)驗(yàn)結(jié)果如表2所示。

表2 不同算法性能對(duì)比結(jié)果Tab.2 Performance comparison results of different algorithms

由表1、表2可知,本文算法Precision比Faster R-CNN、YOLOv3與YOLOv5算法分別高出15.8%、7.98%、6.5%,Recall與這3種算法相比差不多,但從mAP來看,本文算法均高于其他算法,且比典型雙階段算法Faster R-CNN高出近20%,比YOLOv3高出了近10%,比YOLOv5高出了8%,而且從表2可以看出FPS有所提高。

經(jīng)綜合比較,在Recall相差不多的情況下,本文無論從Precision還是mAP,都有顯著的優(yōu)越性,而且實(shí)時(shí)性比YOLOv5更高,故本文算法相較于其他算法更適合混凝土軌枕裂紋檢測任務(wù)。

3.6 檢測結(jié)果對(duì)比與分析

為能夠更進(jìn)一步考證改進(jìn)模型的切實(shí)性,從測試集中選擇一些圖片進(jìn)行測試,圖15為原始YOLOv5模型與改進(jìn)后模型在不同條件下的檢測結(jié)果對(duì)比。

圖15 改進(jìn)前后檢測效果對(duì)比Fig.15 Comparison of detection effects before and after improvement

由圖15(a)可知,在光線較亮、裂紋特征較明顯的條件下,YOLOv5算法與本文改進(jìn)算法均取得良好的檢測效果,但YOLOv5算法仍存在小部分裂紋漏檢的情況。由圖15(b)和圖15(c)可知,在小段細(xì)微裂紋的檢測中,YOLOv5算法對(duì)微小裂紋的漏檢情況較為明顯,而本文改進(jìn)算法對(duì)特征不明顯的裂紋檢測效果會(huì)好很多。由圖15(d)可知,原算法在對(duì)破碎裂紋檢測時(shí),存在大量漏檢,而改進(jìn)后算法對(duì)破碎裂紋的檢測效果良好。由圖15(e)可知,在光線暗的條件下,原算法未檢測出單個(gè)微小裂紋,而改進(jìn)后算法成功檢測出了軌枕所存在的微小裂紋。由圖15(f)可知,在軌枕表面條件相對(duì)比較繁瑣的情況下,在進(jìn)行裂紋檢測時(shí),原算法受到一定干擾,存在多處漏檢情況,改進(jìn)后算法檢測效果優(yōu)異。

4 結(jié)語

在已有的YOLOv5算法對(duì)混凝土軌枕裂紋檢測效率不高,容易造成細(xì)小裂紋漏檢的基礎(chǔ)上,基于改進(jìn)算法YOLOv5+的混凝土軌枕裂紋檢測針對(duì)微小裂紋檢測效果更好?，F(xiàn)階段采用的深度學(xué)習(xí)目標(biāo)檢測算法對(duì)軌枕裂紋檢測效果不理想,尤其是檢測微小裂紋時(shí)容易出現(xiàn)漏檢現(xiàn)象,因此,本文提出了一種改進(jìn)算法,該改進(jìn)算法主要基于YOLOv5模型,改進(jìn)部分主要是通過在YOLOv5的主干提取網(wǎng)絡(luò)中加入SELayer注意力機(jī)制模塊、更換最大池化層為平均池化層、構(gòu)建新的多尺度檢測結(jié)構(gòu)來提高對(duì)軌枕裂紋檢測的能力并減少對(duì)微小裂紋漏檢的情況。并選用分治標(biāo)簽的方法對(duì)混凝土軌枕裂紋進(jìn)行標(biāo)注,從而縮小裂紋尺度變化范圍,加快模型收斂,增大裂紋的實(shí)際占比并提高對(duì)微小裂紋的檢測效果。實(shí)驗(yàn)與檢測結(jié)果表明,本文改進(jìn)方法無論在檢測精度還是速度上都優(yōu)于YOLOv5原算法,且參數(shù)量更少,較好地滿足實(shí)時(shí)性檢測要求,總體性能也高于Faster R-CNN、YOLOv3等目標(biāo)檢測模型。