基于改进YOLOv5s的雾天场景车辆检测方法

作者：院老虎; 常玉坤; 刘家夫

来源：郑州大学学报(工学版), 2023, 44(03): 35-41.

DOI：10.13705/j.issn.1671-6833.2023.03.005

• 深度学习
• YOLOv5s
• 车辆检测
• 数据增强
• 雾气模拟

为了解决现有的目标检测方法在雾天场景下存在识别准确率低、易漏检的问题，提出一种改进YOLOv5s的雾天车辆检测方法。首先，以VisDrone数据集为基础，通过大气散射模型生成轻雾数据集(LightFogVisDrone)和浓雾数据集(ThickFogVisDrone),并收集真实雾天场景图片组成混合浓度数据集(MixFogData);其次，对原始YOLOv5s的Mosaic数据增强方式进行改进，由原始的4张图片改为9张图片进行随机剪切，减少灰色背景面积，加快模型收敛，提高训练效率，在预测端之前添加CBAM注意力机制，以此来增强模型的图像特征提取能力，改善遮挡目标与小目标的漏检问题；最后，优化NMS非极大抑制值先验框，改善车辆目标的漏检问题。实验结果表明：与原始YOLOv5s相比，改进YOLOv5s在轻雾、浓雾和混合雾气状态下的平均精确率分别提高了16.14、16.16和15.05百分点。改进YOLOv5s对于雾天环境下车辆目标的检测具有有效性和实用性。

• 单位
  航空宇航学院; 沈阳航空航天大学