基于YOLOv5的雾霾天气下交通标志识别模型

作者：尹靖涵; 瞿绍军; 姚泽楷; 胡玄烨; 秦晓雨; 华璞靖

来源：计算机应用, 2021, 1-10.

• 深度学习
• 目标检测
• YOLOv5
• 特征金字塔
• 雾霾天气
• 交通标志识别

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网络结构进行优化，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问题，通过调整残差模块特征传递深度，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，并对精确度下降最显著的雾霾天气下交通标志识别展开了重点研究。实验结果表明，改进YOLOv5模型F1-score达0.92150、平均精度@0.5（m AP@0.5）达95.3%、平均精度@0.5:0.95（m AP@0.5:0.95）达75.2%，在恶劣天气下仍能保持高精度识别，每秒检测帧数（FPS）达到50，满足实时检测的需求。

• 单位
  湖南师范大学