第45卷第1期2023年1月铁道学报JOUＲNALOFTHECHINAＲAILWAYSOCIETYVol．45No．1January2023文章编号:1001-8360(2023)01-0075-09基于改进YOLOv5s算法的列车驾驶员手势识别李泰国，张英志，张天策，陈小强(兰州交通大学自动化与电气工程学院，甘肃兰州730070)摘要:随着智能铁路的发展，人工智能技术得到广泛应用。通过深度学习对列车驾驶员手势实时检测，可提高检查驾驶员手势执行情况的效率，保证列车运行安全。针对现有手势识别算法识别精度低、检测速度慢、难以部署等问题，提出一种改进的YOLOv5s列车驾驶员手势识别算法。首先在原始主干网络的卷积操作之后添加CBAM模块，加强重要特征信息，抑制次要特征信息;其次在颈部网络中引入BiFPN模块，在不过多增加计算量的情况下，更好地实现多尺度特征融合;最后通过改进的K-means聚类算法生成适合本文数据集的先验框，更好地提升预测框精准度，加强模型的识别性能。实验结果表明，本算法在测试集上平均精确率均值为0.955，检测速度为71FPS，网络模型所占内存为15.9MB，验证了该算法具有识别精度高、检测速度快、模型内存占比小等优势，对于实现工程部署有重要意义。关键词:CBAM模块;BiFPN模块;YOLOv5s算法;列车驾驶员;手势识别中图分类号:TP391.4文献标志码:Adoi:10.3969/j．issn．1001-8360.2023.01.009TrainDriverGestureＲecognitionBasedonImprovedYOLOv5sAlgorithmLITaiguo，ZHANGYingzhi，ZHANGTiance，CHENXiaoqiang(SchoolofAutomationandElectricalEngineering，LanzhouJiaotongUniversity，Lanzhou730070，China)Abstract:Withthedevelopmentofintelligentrailways，artificialintelligencetechnologyhasbeenwidelyused．Ｒeal-timedetectionoftraindrivergesturesthroughdeeplearningcanimprovetheefficiencyofexaminingtheimplementationofdrivergesturestoensurethesafetyoftrainoperation．Toaddresstheproblemsoflowrecognitionaccuracy，slowde-tectionspeed，difficultdeploymentofexistinggesturerecognitionalgorithms，animprovedYOLOv5straindrivergesturerecognitionalgorithmwasproposed．Firstly，aconvolutionalblockattentionmodule(CBAM)wasaddedaftertheconvo-lutionoperationoftheoriginalbackbonenetworktoenhancetheimportantfeatureinformationandsuppressunnecessaryfeatureinformation．Secondly，thebidirectionalfeaturepyramidnetwork(BiFPN)wasintroducedintothene...
