基于改进YOLOv5的轻量级车辆检测及模型部署方法

技术领域

本发明涉及自动驾驶系统视觉目标检测技术领域，具体为一种基于改进YOLOv5的轻量级车辆检测及模型部署方法。

背景技术

近年来，随着车载智能装置的普及和车路协同设备的完善，发展自动驾驶技术越来越受到关注。自动驾驶技术，也称为无人驾驶技术，是一种通过计算机系统和传感器来控制汽车行驶的技术。这种技术的目标是使汽车能够在没有人类驾驶员的情况下安全、有效地行驶。自动驾驶技术的基本原理是通过雷达、激光雷达、摄像头等多种传感器收集周围环境的信息，然后通过计算机系统进行处理和分析，以确定汽车的行驶路线和速度。此外，自动驾驶汽车还可以通过与交通基础设施和其他车辆的通信，实现更高级别的协同驾驶。自动驾驶技术不仅能够提高道路交通的安全性，减少交通事故的发生，还能有效缓解交通拥堵问题，提高道路利用率，降低能源消耗和环境污染。自动驾驶技术能够预测其他车辆和行人的行为，从而快速、准确决策驾驶方向和驾驶速度，提高道路交通安全。自动驾驶技术通过算法实现车辆协同，减少不必要的加速和刹车，提高道路通行能力，智能停车，减少停车时间和空间浪费，有效缓解交通拥堵。自动驾驶技术通过优化驾驶行为，减少急加速、急刹车等不经济、不环保的驾驶方式，高效管理车辆调度，减少车尾气排放量，降低能源消耗和环境污染。自动驾驶技术的普及性提高了驾驶舒适性，也为乘客提供更便捷、舒适的出行体验，有效促进汽车产业的技术创新和升级转型。如今，自动驾驶技术也面临着一些挑战，如技术难题、法规限制等问题，有待深入优化。

车辆检测是智能驾驶感知的一部分，通过感知前方车辆的驾驶位置，才能为本车做出预判。在自动驾驶系统中，车辆检测是从相机采集到的图像或视频通过车辆检测算法自动识别出包含车辆的具体位置信息并判断其类别，其中图形算法发挥了关键作用。工作流程是通过激光雷达、摄像头等传感器收集前方车辆的视觉信息，然后这些信息会被送入算法模块进行处理。具体来说，一种常用的图像匹配方法被用来从图像数据中检测出一组与图像描述符相关联的兴趣点。一旦从两个或更多的图像中提取出特征和描述符，就可以在这些图像之间建立一些初步的特征匹配。通过这样的方式，自动驾驶系统能够识别出前方车辆的形状、大小、颜色以及运动状态等信息，再配合定位、规划与决策、控制等模块共同工作，实现自动驾驶技术对车辆的高精度控制。

目前，传统车辆检测方法会因为环境光照以及天气情况的影响，导致检测精度不高，如强光下车身会有反光，造成车辆定位不准或漏检，不同车辆颜色、外型等差异出现漏检的情况，非检测目标对象和检测目标对象相互遮挡时，目标对象显示不全，造成车辆定位不准确。

发明内容

(一)解决的技术问题

针对现有技术的不足，本发明提供了基于改进YOLOv5的轻量级车辆检测及模型部署方法，具备监测结论精度高误差小、部署算法模型检测效率高等优点，解决了传统检测方法容易受干扰检测精度不高，定位不准而漏检或显示不全的问题。

(二)技术方案

为实现上述目的，本发明提供如下技术方案：基于改进YOLOv5的轻量级车辆检测及模型部署方法，包括以下步骤：

步骤一、数据采集模块实时采集车辆图像数据，并建立车辆图像数据集，数据采集模块通过通道连接数据分析模块；

步骤二、数据分析模块根据车辆图像数据集构建网络模型；

步骤三、数据分析模块融合倒置自适应注意力模块IAAM训练网络模型；

步骤四、数据分析模块采用基于通道特征拼接的通道特征分组模块CFGM，在改进的网络模型中使用验证集得到最优权重；

步骤五、数据分析模块使用权重函数αv和损失函数EIiouLoss计算预测框与真实框之间的误差；

步骤六、数据分析模块将网络模型转换部署，推理得出检测结果。

优选的，所述数据采集模块对获取的车辆图像数据集进行数据增强处理，形成输入特征图，所述数据采集模块通过数据库采集车道线数据集，并根据车道线数据集特征分类为训练集、验证集和测试集。

优选的，所述数据分析模块通过亚像素卷积形式将输入特征图信息转换为空间信息进行浅层语义信息的恢复，所述数据分析模块使用深度学习注意力机制(SE)对输出特征进行加权融合，用于抑制无效语义信息特征带来的影响，所述亚像素卷积形式为上采样操作，与网络模型的下采样操作相反，得到倒置自适应注意力模块IAAM。

优选的，所述数据分析模块通过亚像素卷积形式输入特征图三项尺度，计算出输出特征图Sctzt，其计算公式如下：

公式中，Sctzt表示输出特征图，c、h和w表示输入特征图的三项尺度，α

优选的，所述数据分析模块计算出输出特征图Sctzt后，再使用1×1的卷积将尺度恢复为(C×H×W)并沿通道方向进行拼接，所述拼接后的特征图通道数是原来的三倍，宽高保持不变，所述数据分析模块通过SE模块对通道输入特征图进行加权增强。

优选的，所述数据分析模块采用基于通道特征拼接的通道特征分组模块CFGM，用于对不同分辨率检测层进行特征融合，并产生新的多尺度检测头，所述数据分析模块通过检测头针对大中小目标进行完整预测，并收集全局信息，所述数据分析模块将每个检测头的输出特征信息扩展到三种不同的尺度，同时使用拼接操作进行特征融合，并保留通道信息。

优选的，所述权重函数αv计算公式如下：

公式中，αv是权重函数，w和h表示预测高和宽，w

优选的，所述损失函数EIiouLoss计算公式如下：

公式中，EIiouLoss表示损失函数，ρ

优选的，所述误差函数EIiouLoss添加了对预测框宽高比的限制，且针对预测框与真实框宽高的欧式距离具有绝对约束，所述数据分析模块建立的网络模型兼顾预测框的面积与宽高比，所述网络模型训练出的预测框比例与真实框具有相同宽高比。

优选的，所述数据分析模块将对训练出的网络模型转为ONNX模型，再将ONNX模型转化为TensorRT模型，所述数据分析模块根据TensorRT模型进行推理，得出实时检测结果。

与现有技术相比，本发明提供了风电机组塔筒载荷监测系统，具备以下有益效果：

1、本发明通过数据采集模块实时采集车辆图像数据，建立车辆图像数据集，并进行数据增强处理，形成输入特征图后，数据分析模块构建网络模型，再通过亚像素卷积形式将输入特征图信息转换，使用深度学习注意力机制(SE)对输出特征进行加权融合，能够提取图像中更深层次的特征，并且表示的特征具有较强的表达能力和更好的鲁棒性，避免无效语义信息干扰系统识别，融合倒置自适应注意力模块IAAM训练网络模型，减少数据漏检率，可以缓解连续下采样导致的信息丢失问题，同时对网络的特征融合能力进行了增强，监测结论精度高误差小。

2、本发明通过数据分析模块通过SE模块对通道输入特征图进行加权增强，将YOLOv5网络模型压缩到合适的大小，保留原YOLOv5的主干网以外的其余模块，实现实时检测，数据分析模块采用基于通道特征拼接的通道特征分组模块CFGM，平衡了多尺度检测层接收到的有效信息量，进一步提高了小目标检测精度，最后通过算法模型的部署进行检测，大大减少了检测的时间，数据分析模块使用权重函数αv和损失函数EIiouLoss计算预测框与真实框之间的误差，使网络模型训练出的预测框比例与真实框具有相同宽高比，进一步降低检测误差，保障了后续检测结果的准确性，数据分析模块将对训练出的网络模型转为ONNX模型，再将ONNX模型转化为TensorRT模型，数据分析模块根据TensorRT模型进行推理，得出实时检测结果，部署算法模型检测效率高。

附图说明

图1为本发明结构系统示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

请参阅图1，基于改进YOLOv5的轻量级车辆检测及模型部署方法，包括以下步骤：

步骤一、数据采集模块实时采集车辆图像数据，并建立车辆图像数据集，数据采集模块通过通道连接数据分析模块；

数据采集模块对获取的车辆图像数据集进行数据增强处理，形成输入特征图，输入特征图为检测到的车辆详细数据，数据采集模块通过数据库采集车道线数据集，并根据车道线数据集特征分类为训练集、验证集和测试集；

步骤二、数据分析模块根据车辆图像数据集构建网络模型；

步骤三、数据分析模块融合倒置自适应注意力模块IAAM训练网络模型；

数据分析模块通过亚像素卷积形式将输入特征图信息转换为空间信息进行浅层语义信息的恢复，数据分析模块使用深度学习注意力机制(SE)对输出特征进行加权融合，用于抑制无效语义信息特征带来的影响，深度学习注意力机制(SE)能够提取图像中更深层次的特征，并且表示的特征具有较强的表达能力和更好的鲁棒性，避免无效语义信息干扰系统识别，亚像素卷积形式为上采样操作，与网络模型的下采样操作相反，得到倒置自适应注意力模块IAAM，减少数据漏检率，可以缓解连续下采样导致的信息丢失问题，同时对网络的特征融合能力进行了增强；

数据分析模块通过亚像素卷积形式输入特征图三项尺度，计算出输出特征图Sctzt，其计算公式如下：

公式中，Sctzt表示输出特征图，c、h和w表示输入特征图的三项尺度，α

数据分析模块计算出输出特征图Sctzt后，再使用1×1的卷积将尺度恢复为(C×H×W)并沿通道方向进行拼接，拼接后的特征图通道数是原来的三倍，宽高保持不变，数据分析模块通过SE模块对通道输入特征图进行加权增强，通过对YOLOv5网络模型压缩到合适的大小，保留原YOLOv5的主干网以外的其余模块，实现实时检测；

步骤四、数据分析模块采用基于通道特征拼接的通道特征分组模块CFGM，在改进的网络模型中使用验证集得到最优权重；

数据分析模块采用基于通道特征拼接的通道特征分组模块CFGM，用于对不同分辨率检测层进行特征融合，并产生新的多尺度检测头，数据分析模块通过检测头针对大中小目标进行完整预测，并收集全局信息，数据分析模块将每个检测头的输出特征信息扩展到三种不同的尺度，同时使用拼接操作进行特征融合，并保留通道信息，通道特征分组模块CFGM平衡了多尺度检测层接收到的有效信息量，进一步提高了小目标检测精度，最后通过算法模型的部署进行检测，大大减少了检测的时间；

步骤五、数据分析模块使用权重函数αv和损失函数EIiouLoss计算预测框与真实框之间的误差；

权重函数αv计算公式如下：

公式中，αv是权重函数，w和h表示预测高和宽，w

损失函数EIiouLiss计算公式如下：

公式中，EIiouLiss表示损失函数，ρ

误差函数EIiouLoss添加了对预测框宽高比的限制，且针对预测框与真实框宽高的欧式距离具有绝对约束，数据分析模块建立的网络模型兼顾预测框的面积与宽高比，网络模型训练出的预测框比例与真实框具有相同宽高比，进一步降低检测误差，保障了后续检测结果的准确性；

步骤六、数据分析模块将网络模型转换部署，推理得出检测结果；

数据分析模块将对训练出的网络模型转为ONNX模型，再将ONNX模型转化为TensorRT模型，数据分析模块根据TensorRT模型进行推理，得出实时检测结果，部署算法模型检测效率高、监测结论精度高误差小。

尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。