| 摘 要： | 按照司乘标准执行规定的手势是列车司机驾驶操作的重要环节，通过对司机手势进行检测，能够有效评估列车司机的驾驶状态和操作质量，保证列车行车安全。传统人工检查方式效率低，难以满足实际需求，现有的手势识别算法存在模型参数量大、检测精度较低、检测速度慢等问题。随着智能铁路的发展，利用深度学习方法构建轻量化、高效、高精度的列车司机手势识别模型逐渐成为行业发展需求。针对上述需求，提出一种基于改进YOLOv5的列车司机手势识别模型。首先，引入轻量化卷积PConv改进YOLOv5中的C3模块，降低检测网络的参数量和计算量，提升模型检测效率，并在其后添加CBAM模块，加强重要特征信息，抑制无关信息的干扰，强化检测网络特征提取能力；其次，在颈部层引入BiFPN网络结构替换PANet网络结构，增强不同尺度特征的融合能力，同时通过新增小目标检测层，提高模型对小目标的检测能力；最后，选择Focal-EIoU作为边界框损失优化模型损失函数，加快模型的收敛速度，提高手势定位精度。实验结果表明，改进模型在测试集下mAP@0.5可达97.7%，平均检测时间为23.2 ms，相较于YOLOv5计算量降低了23.1%,mAP...
|
