基于改进YOLOv5s算法的尾气黑度测量方法研究

针对传统尾气黑度测量方法精度低、环境适应性差等问题,文章提出一种基于改进YOLOv5s算法的尾气黑度测量方法。考虑到尾气形状多变、背景复杂,在现有YOLOv5s网络中添加自适应特征融合(adaptively spatial feature fusion,ASFF)和全局注意力机制(global attention mechanism,GAM),提高尾气目标的检测准确度;同时,为减少光照等环境因素对尾气目标检测的影响,基于尾气的高温特性,利用红外图像提高尾气区域检测准确度;并基于标准的林格曼黑度对被检测区域内的尾气黑度进行等级判定。实验结果表明:改进后的YOLOv5s对红外尾气目标的检测准确率高达95.3%,比现有YOLOv5s检测准确度提高了3.4%;同时还降低了光照等环境因素对尾气目标检测结果的影响,改善了算法的鲁棒性;最终尾气黑度判定精度达到0.5级,可有效满足现有移动源尾气黑度高精度检测需求。