文献类型：期刊文章

作　　者：尹靖涵[1,2] 瞿绍军[1,2] 姚泽楷[1,2] 胡玄烨[1,2] 秦晓雨[1,2] 华璞靖[1,2]

YIN Jinghan;QU Shaojun;YAO Zekai;HU Xuanye;QIN Xiaoyu;HUA Pujing(College of Information Science and Engineering,Hunan Normal University,Changsha Hunan 410081,China;College of Xiangjiang Artificial Intelligence,Hunan Normal University,Changsha Hunan 410081,China)

机构地区：[1]湖南师范大学信息科学与工程学院,长沙410081 [2]湖南师范大学湘江人工智能学院,长沙410081

出　　处：《计算机应用》

基　　金：国家自然科学基金资助项目(12071126);湖南省教育厅科学研究项目(19C1149);湖南师范大学湘江人工智能学院科研创新项目(202031A12)。

年　　份：2022

卷　　号：42

期　　号：9

起止页码：2876-2884

语　　种：中文

收录情况：AJ、BDHX、BDHX2020、CSCD、CSCD_E2021_2022、IC、JST、RCCSE、ZGKJHX、ZMATH、核心刊

摘　　要：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。

关 键 词：深度学习  目标检测 YOLOv5  特征金字塔  雾霾天气  交通标志识别

分 类 号：TP391.41]