ComputerEngineeringandApplications计算机工程与应用2023，59（13）近年来，随着社会的不断发展以及科学技术的巨大进步，机动车作为主要的交通工具已经慢慢成为人们出行的首选，为人们的日常生活带来了极大的便利，但是交通车辆的过度使用也对人们的安全有着极大的隐患，每年的交通事故发生率都在逐渐上升，且大多数交通事故的原因都是源于机动车驾驶员的不规范驾驶行为。研究表明，交通事故的发生原因90%以上是驾驶员的人为因素，包括醉酒驾驶、疲劳驾驶、未遵循交通规则以及不规范驾驶行为等[1]，故检测机动车车辆司机的不规范驾驶行为对交通安全方面具有重要的意义。国内外的部分学者将深度学习的算法应用到不规范驾驶行为的检测领域，李光东等[2]运用卷积神经网络进行驾驶行为检测识别并且组建检测系统安装在机动车上。张志威[3]用VGG19[4]网络结合迁移学习的方法来提取不规范驾驶行为的特征，以此实现不规范驾驶行为的检测。Yan等[5]利用R-CNN[6]网络来分析驾驶员的驾驶行为，从而作出相应驾驶行为的判断。田文洪等[7]利用类似于LeNet的CNN网络对驾驶员的不安全行为进改进YOLOv5的轻量级不规范驾驶行为实时检测邹鹏，杨凯军，梁晨陕西科技大学电气与控制工程学院，西安710021摘要：针对现有的不规范驾驶行为检测算法占用内存多、计算量大、难以在边缘设备部署且在昏暗条件下对检测目标有干扰等问题，提出了一种改进YOLOv5模型的轻量级不规范驾驶行为实时检测算法。将SE注意力机制引入到YOLOv5模型的Backbone网络部分，再将Backbone网络里的CSP模块替换为轻量化的GhostBottleNeck网络模块，从而减少模型的参数量；将原网络中的激活函数改进成SiLU函数，可提高模型检测的准确率，增强模型的鲁棒性；对改进的模型以及原网络进行相关的测试，验证所修改方法的有效性以及实时性。实验结果表明，改进后的YOLOv5-GS算法提高了对不规范驾驶行为的检测精度，参数量降低20.75%，检测速度提升75%，极大地降低了所需的硬件成本，适用于在小型边缘设备上部署。关键词：不规范驾驶行为检测；轻量化；注意力机制；YOLOv5；GhostBottleNeck文献标志码：A中图分类号：TP391doi：10.3778/j.issn.1002-8331.2211-0188ImprovedYOLOv5AlgorithmforReal-TimeDetectionofIrregularDrivingBehaviorZOUPeng,YANGKaijun,LIANGChenSchoolofElectricalandControlEngineering,ShaanxiUniversityofScience&Technology,Xi’an710021,ChinaAbstract：Aimingattheproblemsofexi...
