针对复杂交通环境下隧道车流量与车辆类型难以被检测与分辨的问题，提出一种基于GCM-YOLOv5s的隧道车辆检测模型，以解决隧道复杂交通环境下阴影、多车遮挡、环境遮挡、低对比度、道路噪声等问题对车辆检测精度的干扰。首先，受Ghost幽灵模块启发，提出GhostConv模块替代原有卷积层，GhostConv通过类残差结构减少模型特征提取造成的冗余。基于GhostBottleneck的理念，提出C3Ghost模块，在原有C3模块的基础上提高模型的特征提取能力。其次，为应对交通领域实时检测的要求，设计了一种基于ConMix理念的轻量化CSPCM模块，缩减模型体积。最后，受编解码模块启发，提出多尺度小目标检测层，提升模型对小目标车辆与遮挡车辆的检测精度。为验证模型的实际性能，建立了隧道车辆检测数据集(Tunnel vehicle detection data set，TVDD)，并在相同条件下进行了多次消融对比实验。实验结果表明：与YOLOv5s原模型相比，GCM-YOLOv5s的平均精度均值提高了2.2%，模型参数降低了34％；此外，GCM-YOLOv5S在平均精度均值、参数量、模型体积等方面均优于YOLO的其它版本。
暂无评论