融合RepVGG的YOLOv5交通标志识别算法

作     者：郭华玲 刘佳帅 郑宾 殷云华 赵棣宇 GUO Hua-ling;LIU Jia-shuai;ZHENG Bin;YIN Yun-hua;ZHAO Di-yu

作者机构：中北大学电气与控制工程学院太原030051 瞬态冲击技术重点实验室北京102202 

出 版 物：《科学技术与工程》 (Science Technology and Engineering)

年 卷 期：2024年第24卷第9期

页      面：3869-3875页

学科分类：12[管理学] 1201[管理学-管理科学与工程(可授管理学、工学学位)] 081104[工学-模式识别与智能系统] 08[工学] 082303[工学-交通运输规划与管理] 080203[工学-机械设计及理论] 0835[工学-软件工程] 0802[工学-机械工程] 082302[工学-交通信息工程及控制] 0811[工学-控制科学与工程] 0812[工学-计算机科学与技术（可授工学、理学学位）] 0823[工学-交通运输工程] 

基　　金：山西省基础研究计划(自由探索类)(202103021224221) 

主　　题：深度学习 YOLOv5 RepVGG 注意力机制 EIoU 交通标志识别 

摘      要：实现自动驾驶的安全性需要准确检测交通标志。针对传统方法在交通标志检测方面存在准确度不高的问题,提出一种融合RepVGG模块的改进YOLOv5的交通标志识别算法。首先通过将RepVGG模块替换原算法中的部分CBS模块,增强了特征提取能力。并在特征融合模块引入通道注意力模块(channel block attention module,CBAM),强化检测模型的抗干扰能力。最后,在网络训练过程中,使用高效交并比(efficient-IoU,EIoU)损失函数实现对目标更精确的定位,提高算法的检测精度与迭代速度。实验结果表明,改进后的YOLOv5算法迭代速度更快,在CCTSDB交通标志数据集上,其相较于原YOLOv5算法的准确率、召回率和平均准确率分别提升了4.99%、3.62%、1.73%,能够更好地应用到实践当中。