隧道施工环境中障碍物的轻量化目标检测算法

摘要

由于隧道施工现场事故频发，通过机器人代替人工进行安全巡检可有效保障工作人员的生命安全。然而，目前该领域的机器人大多需要人工操控，缺乏自主避障能力。针对隧道施工环境下的障碍物检测方法，提出利用改进YOLOv5进行障碍物检测的轻量化模型。首先构建隧道场景下的障碍物数据集；其次修改骨干网络为轻量级Shufflenet v2网络，并将其中的激活函数修改为SiLU函数，以提高检测速度降低计算量；然后引入坐标注意力机制，增强网络学习特征的表达能力；最后将颈部卷积块修改为GSConv,在减小模型计算量的同时提升算法的检测精度。研究结果表明：基于本研究所构建的数据集上进行对比试验，该方法的检测速度较YOLOv5-n原始算法提升了57%,减少了模型对硬件的需求。

关键词

深度学习 / 目标检测 / 改进YOLOv5 / 障碍物检测