多模块优化的轻量化YOLOv5s破片检测方法

摘要

针对爆炸破片检测中目标微小密集、形态多变、环境干扰，及现有深度学习方法计算复杂度高、难以部署于边缘设备的问题，提出一种基于多模块协同优化的轻量化YOLOv5s(EGM-YOLOv5s)检测方法。该方法旨在同时解决小目标表征弱、模型冗余度高、定位精度不足三大问题。首先，针对小样本破片数据集局限，设计融合几何变换与噪声模拟（沙尘、光电干扰）的多模态数据增强策略以提升模型泛化性与鲁棒性。其次，在算法架构层面进行三重针对性优化：在骨干网络末端嵌入高效多尺度注意力模块，通过跨通道交互与空间特征聚合强化微小破片纹理特征提取能力；将颈部网络标准C3结构替换为C3Ghost模块，利用轻量化特征重参数化技术显著降低计算复杂度与参数量；在检测头引入最小点距交并比（MDPIoU）损失函数，通过直接优化预测框角点距离提升小目标定位精度。实验结果表明，EGM-YOLOv5s模型在边缘级GPU(GTX1650)设备上，于靶板破片数据集上的mAP50检测精度为93.7%，检测帧率为47.4帧/s。相较于原始YOLOv5s，速度提升80.9%，计算量降低10.8%，模型参数量降低8.7%。该方案可有效平衡精度与速度，显著降低对高性能硬件的依赖，为在边缘计算设备上部署高实时性爆炸毁伤评估系统提供有效的轻量化模型支撑，并验证其在动态爆炸毁伤现场实时评估场景的工程适用性。

关键词

YOLOv5s / 目标检测 / 破片识别 / 高效多尺度注意力