基于改进YOLOv5s的田间移动障碍物检测

作     者：侯艳林 艾尔肯·亥木都拉 李贺南 HOU Yanlin;ARKIN Hamdulla;LI Henan

作者机构：新疆大学机械工程学院新疆乌鲁木齐830017 

出 版 物：《现代电子技术》 (Modern Electronics Technique)

年 卷 期：2024年第47卷第6期

页      面：171-178页

学科分类：13[艺术学] 07[理学] 082804[工学-农业电气化与自动化] 08[工学] 1305[艺术学-设计学（可授艺术学、工学学位）] 0711[理学-系统科学] 081104[工学-模式识别与智能系统] 0828[工学-农业工程] 080401[工学-精密仪器及机械] 0804[工学-仪器科学与技术] 080402[工学-测试计量技术及仪器] 081101[工学-控制理论与控制工程] 0811[工学-控制科学与工程] 

主　　题：移动型障碍物 YOLOv5s 无人农机 目标检测 CBAM注意力机制 双向特征金字塔网络(BiFPN) 

摘      要：为实现无人农机在行驶过程中对田间移动型障碍物的实时检测,提出一种基于YOLOv5s的目标检测模型,用于检测田间行人和其他协同作业的农机设备。该目标检测模型以YOLOv5s模型为基础框架,进行了以下三点改进:第一,为了减少模型的参数量和计算复杂度,提高推理速度,将YOLOv5s网络模型中的卷积模块和C3模块替换为Ghost卷积和C3Ghost模块;第二,为了弥补模型参数量减少所造成的精度下降的损失,提升对目标的检测能力,在主干网络输出的特征层中引入CBAM注意力机制;第三,采用BiFPN特征金字塔结构,实现多尺度特征加权融合。实验结果表明,YOLOv5s模型的参数量为7.02×106,计算复杂度为15.8GB,平均检测精度为94%,生成权重文件大小为13.7MB,单幅图像的检测速度为71.43 f/s;改进后的模型参数量为4.04×106,下降了42.45%,计算复杂度缩减为8.5 GB,平均检测精度达到了93.2%,仅仅下降了0.8%,权重文件大小为8.1 MB,单幅图像的检测速度为77.52 f/s。以上数据证明,改进后的模型能够满足对田间移动型障碍物的实时检测,且更加易于部署到移动端设备。