摘要
道路交通标志是道路交通管理的重要组成部分，它们指示着车辆和行人如何行驶和行动，以确保交通安全。在城市化进程中，道路交通标志数量不断增加，而传统的人工巡查方式已经无法满足快速检测和维护的需求。因此，发展基于计算机视觉的交通标志检测技术，成为了智能交通领域的热点问题。与传统的图像处理方法相比，基于深度学习的交通标志检测算法具有更高的准确率和更好的鲁棒性。然而，现有的交通标志检测算法仍然存在着一些问题。例如，检测速度慢、检测精度不高、存在漏检和误检等问题，这些问题可能导致交通安全事故的发生。因此，研究如何更加准确、快速地检测交通标志，对于交通安全和智能交通具有重要的意义。在这方面，基于YOLOv5的交通标志检测技术是一个值得研究的方向。该算法有快速检测、高准确率、强鲁棒性等优点，但其存在两个问题:小型交通标志的检测精度不高以及轻量级算法性能不够理想。因此，本研究旨在探究基于YOLOv5的交通标志检测技术。本文的主要研究内容如下: (1)本文提出了一种基于注意力机制的改进YOLOv5交通标志检测算法，以改进算法对小型交通标志的检测能力。本文引入了注意力机制帮助网络关注全局信息，并通过引入SPD-Conv模块来减少在下采样过程中可能丢失的特征信息。此外，本文还通过增加小目标检测层来优化网络对小型交通标志的检测性能。改进后的模型对比原网络在TT100K数据集上的准确率、召回率和mAP均有提升。与其他经典交通标志检测算法相比，改进后的模型同样表现出了高精度和低计算量的特点。说明了本文提出的方法有效地提高了YOLOv5网络对交通标志的检测性能。 (2)本文提出一种基于MobileNet的YOLOv5轻量化方法。原YOLOv5轻量级网络的检测精度不高，因此本文对网络结构进行了重新设计。首先，本文将YOLOv5的骨干网络替换为MobileNetV3网络，以此在保证精度的同时降低网络的参数量;其次，本文在原YOLOv5网络颈部的卷积块中替换为GSConv模块，以此来减少网络中的冗余计算。此外，本文还用NWD损失函数改进原网络中的损失函数，以此在不提升模型参数的同时提高模型的检测精度。改进后的模型与原YOLOv5n6网络相比，在TT100K数据集上的mAP提高了8.1％,同时参数量减少了七十万。这说明了了本文提出的方法确实能在精度与参数量方面改进原YOLOv5网络。
NETL