Aplicación del YOLOv5 Mejorado en la Detección de Vehículos en Fotografías Aéreas Infrarrojas

Con el objetivo de resolver los problemas de detección falsa, detección pasada por alto y capacidad de detección insuficiente de imágenes de vehículos infrarrojos, se propone un algoritmo de detección de objetivos de vehículos infrarrojos basado en el YOLOv5 mejorado. El artículo analiza las características de imagen de la detección de vehículos infrarrojos y luego discute en detalle el algoritmo YOLOv5 mejorado. El algoritmo utiliza el módulo DenseBlock para aumentar la capacidad de extracción de características superficiales. La capa de convolución Ghost se utiliza para reemplazar la capa de convolución ordinaria, lo que aumenta el gráfico de características redundantes basado en cálculos lineales, mejora la capacidad de extracción de características de red y aumenta la cantidad de información de la imagen original. La precisión de detección de toda la red se mejora al agregar un mecanismo de atención en el canal y modificar la función de pérdida. Finalmente, se comparan el rendimiento mejorado y el rendimiento integral mejorado de cada módulo con algoritmos comunes. Los resultados experimentales muestran que la precisión de detección del módulo DenseBlock y el módulo EIOU agregados por separado mejora en un 2.5% y un 3% en comparación con el algoritmo original YOLOv5, respectivamente, y la adición del módulo de convolución Ghost y el módulo SE por separado no aumenta significativamente. Al utilizar el módulo EIOU como función de pérdida, se agregan los tres módulos de DenseBlock, convolución Ghost y capa SE al algoritmo YOLOv5 para un análisis comparativo, de los cuales la combinación de DenseBlock y convolución Ghost tiene el mejor efecto. Al agregar tres módulos al mismo tiempo, la fluctuación del mAP es menor, pudiendo alcanzar el 73.1%, lo que es un 4.6% más alto que el algoritmo original YOLOv5.