基于改进YOLOv5s模型的电梯内电瓶车检测方法

针对现有检测模型不能满足在实时场景下准确检测电梯内电瓶车的问题,提出一种改进YOLOv5s模型的电梯场景下电瓶车检测方法。改进模型将全局注意力机制融合到YOLOv5s模型的颈部特征融合网络中,来增强模型对融合特征的学习能力;使用充分解耦的检测头部替换原YOLOv5s模型的耦合头部,将目标检测过程中目标分类判定和边框回归这两个子任务解耦,以提升模型检测的准确度。实验结果表明,在自建电梯内电瓶车图像数据集E-Car上,改进YOLOv5s模型显著提高了检测效果,检测指标P、R、mAP_0.5和mAP_0.5∶0.95分别达到94.5%、92.2%、96.9%和64.5%,比原模型分别提高4.3%、2.8%、3.8%和4.6%。相比其他主流的目标检测模型,改进YOLOv5s模型在保持一定检测速度的前提下,具有更高的检测精度,能够实现高效的电梯内电瓶车检测。