随着人工智能技术的快速发展，目标检测算法在工业领域中的应用越来越广泛。混凝土工厂环境复杂，障碍物种类多样，对障碍物的准确识别对于保障生产安全至关重要。提出一种基于改进YOLOv7的混凝土工厂障碍物识别算法，通过引入SPD-Conv模块与GAM-Attention，在不降低模型检测性能的前提下，优化算法对混凝土障碍物的识别精度。试验结果表明，与原始YOLOv7模型相比，在6个不同障碍物类别上准确率、召回率、综合性的评估指标F1和评估模型性能的核心指标mAP@0.5分别提升了1.0%～10.4%、2.8%～11.3%、0.5%～10.5%、3.5%～8.3%，表明该算法具有更高的识别精度。Improved-YOLOv7的mAP@0.5和mAP@0.5:0.95分别为0.908和0.710，参数量为36.91 MB,Flops为135.2 G,ADT为24.9 ms，相较于Ca s ca de R-CNN、Fa s te r R-CNN、Re tina Ne t、S S D、YOLOX模型，Improved-YOLOv7模型具有更高的识别精度和性能，对于算力需求最小，能够有效识别混凝土工厂中的各类障碍物，为实际生产提供有力支持。
暂无评论