一、摘要

针对传统目标识别算法复杂场景下的道路目标识别精度低、实时性差、小目标检测难度大等问题，提出了基于红外场景下FS-YOLOv5轻量化模型。首先采用单阶段目标检测网络YOLOv5s作为基础网络，提出了一种新的FS-MobileNetV3网络代替原网络中的CSPDarknet主干网络来提取特征图像；其次，在原网络CIoU损失函数的基础上引入Power变换，替换为α-CIoU，提高网络对小目标的检测能力；然后将Kmeans++聚类算法应用在FLIR红外数据集上重新生成Anchor，最后利用DIoU-NMS替换原网络的NMS后处理方法，改善对遮挡物体的检测能力，降低了模型的漏检率。通过在FLIR红外数据集上的消融实验验证了FS-YOLOv5轻量化算法满足红外场景下的道路目标检测任务，与原网络相比，在平均精度仅降低0.37%的前提下，FS-YOLOv5模型的大小减少了26%，参数量减少了29%，检测速度提升了11FPS，满足了在不同场景下移动端部署的需求。

二、网络模型及核心创新点

1. MobileNetv3网络
2. 特征提取网络的改进
3. Anchor聚类优化
4. 损失函数的改进
5. 后处理方法的改进

三、应用数据集

本文使用的是数据集为FLIR公司2019年8月16日发行的红外数据集，该数据集是通过安装在车辆上的热摄像头获取的，拍摄于11月至5月期间白天和晚上的加利福尼亚州圣巴巴拉市街道和高速公路上，共包含14452张热图像，其中10228张来自短视频，4224张来自连续144秒视频。

四、实验效果（部分展示）

1. 综合表3、表4分析可得，FS-YOLOv5能够明显改善模型轻量化之后带来的漏检问题，在网络检测精度和检测速度方面取得了不错的效果，对于模型在嵌入式设备上部署提供了可行性。

2.为了能够直观的分析FS-YOLOv5的性能，分别用改进前后的模型在部分验证视频集上进行测试，测试结果如下图所示。

五、实验结论

本文提出的FS-YOLOv5算法，在保证了检测精度的同时，检测速度提升了11FPS，满足了在移动端设备部署的要求。

六、投稿期刊介绍