基于改进YOLOv7的高风险区工程车辆识别算法

作     者：张震 肖宗荣 李友好 黄伟涛 

作者机构：郑州大学电气与信息工程学院 郑州大学计算机与人工智能学院 河南汇融油气技术有限公司 

出 版 物：《郑州大学学报(工学版)》 (Journal of Zhengzhou University(Engineering Science))

年 卷 期：2025年

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] 080203[工学-机械设计及理论] 081404[工学-供热、供燃气、通风及空调工程] 0835[工学-软件工程] 0802[工学-机械工程] 0814[工学-土木工程] 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）] 

基　　金：河南省重点研发专项(231111211600) 河南省重大公益专项(201300311200) 

主　　题：高风险区 工程车辆 YOLOv7 注意力机制 上采样器 特征提取 

摘      要：为解决高风险区域工程车辆施工对天然气管道的安全威胁问题,特别是重型车辆可能带来的物理冲击与环境干扰,提出一种基于改进YOLOv7的工程车辆识别算法。以自卸车、压路车、搅拌车、叉车、挖掘机和装载车6种施工现场常见的车型为研究对象,利用自定义数据集进行训练,数据集涵盖多种环境和角度的图像,确保模型效能。首先,在YOLOv7头部网络中引入了CBAM注意力机制并在最大池化层结构中增加了改进的GAM注意力机制,提升模型对关键图像特征的关注度,从而提高目标检测的准确性;其次,使用DySample动态上采样器替换最临近插值上采样模块,优化细节保留,提高检测精度;最后,提出了一种改进的SPPCSPC模块,提高特征提取效率,降低计算成本,加速推理过程。这些改进使得模型在图像质量低、目标距离远等挑战下仍能维持高检测精度。实验结果表明:所提算法在自定义工程车数据集上的精确度P、召回率R、mAP@0.5、mAP@0.5∶0.95分别为97.7%、94.7%、98.6%、90.4%。与YOLOv7算法相比,P、R、mAP@0.5、mAP@0.5∶0.95分别提升了1.3个百分点、1.4个百分点、1.4个百分点、3.7个百分点。