基于改进YOLOv7的高风险区工程车辆识别算法

摘要

为解决高风险区域工程车辆施工时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6种施工现场常见的自卸车、压路车、搅拌车、叉车、挖掘机和装载车等车型为研究对象，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，采用DySample动态上采样器替换最近邻插值上采样模块，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1.3百分点、1.4百分点、1.4百分点、3.7百分点。

关键词

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