文献类型：期刊文章

作　　者：李昂[1] 孙士杰[1] 张朝阳[1] 冯明涛[2,3] 吴成中[3] 李旺[4]

LI Ang;SUN Shijie;ZHANG Zhaoyang;FENG Mingtao;WU Chengzhong;LI Wang(School of Information Engineering,Chang’an University,Xi’an 710064,China;School of Computer Science and Technology,Xidian University,Xi’an 710064,China;National Engineering Laboratory of Robot Visual Perception and Control Technology,Hunan University,Changsha 410000,China;CRRC Zhuzhou Electric Locomotive Co.Ltd.,Zhuzhou,Hunan 412000,China)

机构地区：[1]长安大学信息工程学院,西安710064 [2]西安电子科技大学计算机科学与技术学院,西安710064 [3]湖南大学机器人视觉感知与控制技术国家工程实验室,长沙410000 [4]中车株洲电力机车有限公司,湖南株洲412000

出　　处：《计算机工程与应用》

基　　金：国家自然科学基金(62006026,62072053);中央高校基本科研业务费专项资金(300102241304,300102241202)。

年　　份：2023

卷　　号：59

期　　号：4

起止页码：197-207

语　　种：中文

收录情况：AJ、BDHX、BDHX2020、CSCD、CSCD_E2023_2024、IC、JST、RCCSE、ZGKJHX、核心刊

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。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;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;将改进后的模型进行稀疏训练和通道剪枝操作,剪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9.7 MB,检测速度提高14 FPS的前提下,检测精度提升了1.0个百分点。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。

关 键 词：目标检测 YOLOv5s  GhostNet  注意力机制  通道剪枝  轻量化

分 类 号：TP391]