一个用于实时检测车辆黑烟的轻量级模型

科学领域:

• 计算机视觉 计算机视觉
• 人工智能的人工智能
• 环境监测 环境监测

背景情况:

• 车辆黑烟检测对于交通监控和环境保护至关重要.
• 像YOLOv5s这样的现有深度学习模型提供了高精度,但由于复杂的结构,缺乏实时性能.
• 大规模的监控数据需要高效和快速的检测算法.

研究的目的:

• 开发一个轻量级和实时的车辆黑烟探测模型.
• 优化YOLOv5s框架以提高速度和效率.
• 为了提高道路交通视频中黑烟检测的准确性和性能.

主要方法:

• 提出了一种基于YOLOv5s框架的新型轻量级模型MGSNet.
• 通过使用轻量级网络 (ShuffleNetv2,MobileNetv3,GhostNetv1) 重建了YOLOv5s的骨干.
• 集成了MobileNetv3的注意力机制,并引入了一个新的GSConv模块,用于功能融合和参数减少.

主要成果:

• MGSNet实现了44.6 FPS的检测速度,比YOLOv5s增加了18.9 FPS.
• 该模型的参数数量减少到原始YOLOv5s模型的1/6.
• 保持了超过95%的平均平均精度 (mAP@0.5),确保了高精度.

结论:

• MGSNet为实时车辆黑烟探测提供了速度和准确性的卓越平衡.
• 轻量级的设计和优化的模块使MGSNet适用于资源有限的监控系统.
• 开发的模型有效地满足了在道路交通监控中实时和准确检测的需求.