基于改进YOLOv5的道路交通标志检测与识别算法制造技术

本发明专利技术提出一种基于改进YOLOv5的道路交通标志检测与识别算法，在YOLOv5网络模型的基础上引入了ECA（Efficient Channel Attention）注意力机制，将其融入C3模块之中组成C3

【技术实现步骤摘要】
基于改进YOLOv5的道路交通标志检测与识别算法


[0001]本专利技术提出一种基于改进YOLOv5的道路交通标志检测与识别算法，在YOLOv5网络模型的基础上引入了ECA（Efficient Channel Attention）注意力机制，将其融入C3模块之中组成C3
‑
ECA模块，提高了深度卷积网络的性能，降低了模型复杂度，并且将PANet（Path Aggregation Network）替换为BiFPN（Bidirectional Feature Pyramid Network），实现了自上而下与自下而上的深层与浅层特征的双向融合，显著提升了网络模型的检测性能。

技术介绍

[0002]道路交通标志识别系统作为智能交通系统的重要组成部分，可以有效地减少交通事故的发生，提高交通系统的安全性，对于自动驾驶有着重要的作用和意义，近年来受到了广泛的研究。在真实场景下的交通标志检测任务中，远处的交通标志检测有助于获得更多的反应时间，但因车载相机与交通标志的距离较远，远处的交通标志在整幅图像中的占比很小，通常不到1%。对远处交通标志本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于改进YOLOv5网络模型的道路交通标志检测与识别算法，包括以下步骤：步骤一：对TT100K道路交通数据集进行预处理；步骤二：建立引入ECA注意力机制和BiFPN金字塔网络的改进YOLOv5网络模型，并采用道路交通标志训练集对改进的YOLOv5网络模型进行训练；步骤三：采用训练好的改进YOLOv5网络模型对道路交通测试集进行检测与识别。2.根据权利要求1所述的基于改进YOLOv5网络模型的道路交通标志检测与识别算法，其特征在于，所述Step1的具体过程如下：首先，选取TT100K道路交通标志数据集中每个类别出现次数超过100的交通标志，总共有45个类别，并将数据集的voc标签格式转换成txt格式，然后，对数据集运用Copy
‑
Paste数据增强算法对数量较少的样本进行实例扩充，使样本数量在1000个左右。同时，采用CutMix、Mosaic算法进行在线数据增强，进而提升网络模型的鲁棒性,最后，将处理后的数据集进行划分，按照8：2的比例将数据集划分为训练集和测试集。3.根据权利要求1所述的基于改进Y...

【专利技术属性】
技术研发人员：刘丽伟，杜磊，赵强，王芮，王玲，任子航，汤景新，胡牧原，贾兆年，石双，马甜甜，洪怡，
申请(专利权)人：长春工业大学，
类型：发明
国别省市：