改进YOLOv5的轻量级不规范驾驶行为实时检测_邹鹏.pdf

Computer Engineering and Applications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VGG194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-CNN6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.1002-8331.2211-0188Improved YOLOv5 Algorithm for Real-Time Detection of Irregular Driving BehaviorZOU Peng,YANG Kaijun,LIANG ChenSchool of Electrical and Control Engineering,Shaanxi University of Science&Technology,Xi an 710021,ChinaAbstract：Aiming at the problems of existing irregular driving behavior detection algorithms,such as occupying toomuch memory,large amount of calculation,being difficult to deploy on edge devices and interfering with detection targetsin dim conditions,a lightweight irregular driving behavior real-time detection algorithm with improved YOLOv5 model isproposed.Firstly,the SE attention mechanism is introduced in the Backbone network of the YOLOv5 model,and thenthe CSP module of the Backbone network is replaced by a lightweight GhostBottleNeck network module,which tendsto reduce the number of model references.Next,the activation function in the original network is modified into SiLUfunction,which can improve the accuracy of model detection and enhance the robustness of the model.Finally,the improvedmodel and the original network are tested to verify the effectiveness and real-time performance of the modified method.Experimental results show that the improved YOLOv5-GS algorithm can improve the detection accuracy of irregular drivingbehavior,the number of parameters is reduced by 20.75%,the detection speed is increased by 75%,and the required hard-ware cost is greatly reduced,which is suitable for deployment on small edge equipment.Key words：non-standard driving behavior detection;lightweight;attention mechanism;YOLOv5;GhostBottleNeck基金项目：国家自然科学基金（62003201）；陕西省自然科学基金（2021JQ-527）。作者简介：邹鹏（1998），男，硕士研究生，CCF学生会员，研究方向为目标检测与人工智能；杨凯军（1986），通信作者，男，博士，副教授，研究方向为人工智能与物体识别；梁晨（1999），男，硕士研究生，研究方向为人工智能。收稿日期：2022-11-14修回日期：2023-01-12文章编号：1002-8331（2023）13-0186-081862023，59（13）行识别。王丹8在车内外安装双重摄像头结合脸部以及手部特征运用SVM算法来判断驾驶员的驾驶行为。文献9利用Faster R-CNN10来分析检测驾驶员手的放置部分以及面部的图像进行驾驶行为的识别。文献11通过监督下降法来定位驾驶员脸部的特征来判断其是否有不规范驾驶行为。文献12通过研究对眼部目光的相关监测，来判断驾驶员的驾驶行为。在不规范驾驶行为的检测领域，YOLO13-16算法因其出色的性能而备受关注，其中YOLOv5算法的性能最佳，检测效果最好，适合在实际工程中进行使用。目前，很多学者以及相关交通检测领域的专家对YOLO算法进行改进以及创新，并将其应用到智能交通检测识别领域。由于机动车驾驶的特殊性，司机的驾驶行为不适合用人力进行实时检测，而嵌入式设备进行实时检测可有效解决该问题。但是边缘设备算力较小，需要将算法进行轻量化处理。文献17将CBAM18注意力机制的方法引入到YOLOv4算法中，大大提升了目标车辆检测的准确率。文献19将YOLOv5算法轻量化，并将其部署至嵌入式设备树莓派中进行智慧交通信号灯的实时监测，为智能交通领域提供了一种新的设计思路。文献20提出TL-YOLOv5s的网络用于小目标的交通信号灯的识别与检测。文献21提出一种基于改进 YOLOv5算法的多层特征融合算法 M-YOLO 用于自动驾驶下的目标识别。文献22将YOLO算法与极限学习机结合起来进行驾驶员安全带的检测。文献23提出 Deep-YOLOv4-tiny轻量化算法，将算法的相关计算参数进行降低，大大提升其检测速度，并将其应用在交通标志的检测方面。上述方法虽对YOLO算法进行了一些改进与优化，但是模型的参数量以及相关计算量仍然比较大，且轻量化后的算法检测准确率会有不同程度的降低，故针对现有技术的不足，本文提出一种轻量级不规范驾驶行为检测算法 YOLOv5-GS，选用 GhostBottleNeck24模块替换YOLOv5s基准主干网络的CSP1_X模块，大幅度减少模型的参数量，降低模型的大小；其次，为了提高模型的检测准确率，修改原 YOLOv5 的激活函数，用 SiLU 替代Leaky ReLU；在模型保持轻量化以及较高准确率的同时，为了抑制无关或关联较小的特征信息，将 SENet25的SE注意力机制26模块加入到网络的Backbone末端，加强对不规范驾驶行为的关注。通过实验验证了YOLOv5-GS模型的有效性，提高了对不规范驾驶行为的检测精度，大大降低了参数量，满足在小型边缘设备上的部署。1YOLOv5网络模型YOLOv5算法是一种检测速度、准确率都很高的不规范驾驶行为检测算法，其一共分为4种网络深度大小不一的版本，分别为 YOLOv5s、YOLOv5m、YOLOv5l、YOLOv5x，由于检测不规范驾驶行为的方法要求实时检测的速度快，延时小，故选择检测速度最快的YOLOv5s27模型。网络一共由4个部分组成，分别为输入部分（input）、基准主干网络（backbone）、颈部网络（neck）、检测推理部分（prediction）。1.1Input网络的输入端运用了 Mosaic数据增强、自适应锚框计算以及自适应图片缩放，将输入的图像大小转化为6406403的张量输入到基准网络中，有效的增加了小目标检测的准确性，提升了检测的速度。1.2Backbone基准主干网络由 Focus、CSP、SPP28结构模块所构成。Focus结构模块减少了卷积，增加了通道维数；CSP模块有两种结构，CSP1_X应用于backbone，具有残差组件，而 CSP2_X应用于 neck网络；SPP模块采用最大池化的方式，进行多尺度信息特征的融合，极大地提高了信息的采集程度。1.3Neck颈部网络中包含 FPN+PAN29-30结构，在接受来自Backbone网络的下采样测试图像后，FPN层通过上采样的方式自顶向下传达语义信息，对整个金字塔结构进行了增强，同时PAN层又通过下采样由下而上传递目标的定位信息，进行检测目标的多尺度融合，提升目标特征的多样性以及鲁棒性；CSP2_X结构替代了原YOLOv4中的CBL模块，加强了网络的特征融合能力。1.4Prediction网络输出推理端采用CIOU31作为Bounding box的损失函数，采用非极大值抑制（NMS）对检测的目标框进行筛选，增强对目标的检测能力。2改进后的YOLOv5-GS网络模型YOLOv5算法对在光线弱以及相关驾驶行为较为相似的情况下，检测准确度会降低且会出现难以检测的问题，如若副驾驶或者车后排也坐乘客会导致对乘客的误检，从而对检测进行干扰。图片一些背景信息，例如窗外的行人以及一些其他目标当作司机所检测出来，因此造成了检测的准确率以及速度降低。本文将SENet中的SE注意力机制模块引入YOLOv5s网络的Backbone的末端，改变通道的注意力，抑制无关的信息，突出有用的特征，使无效或效果较小的特征占比大大降低，从而提升模型检测的准确率；并且用文献24中所提出的GhostBottleNeck网络替换基准网路中的CSP1_X模块，使检测模型的更加轻量化，从而来提取更多的细节信息，提高模型检测的精度以及速度。改进后的YOLOv5-GS的网络结构模型如图1所示。邹鹏，等：改进YOLOv5的轻量级不规范驾驶行为实时检测187Compu