Um das Problem der schwachen Lernfähigkeit von Detailmerkmalen des YOLOv5s-Algorithmus unter hochgeschwindigkeitskomplexen Bedingungen, zu vieler redundanter Informationen und unzureichender Fusion wichtiger Merkmale, was zu niedriger Genauigkeit der Fahrzeugerkennung führt, zu lösen, schlägt dieser Artikel ein auf YOLOv5s basierendes Echtzeit-Erkennungsmodell für Fahrzeuge auf Autobahnen (YOLOv5s-CRCP) vor. Zunächst wird ein Faltungsaufmerksamkeitsmodul in die Residualeinheit eingebettet, um das Lernen von Detailmerkmalen zu verstärken und die Störung durch redundante Informationen zu unterdrücken; anschließend wird die Faltungsaufmerksamkeit in das Pyramidennetzwerk integriert, um unterschiedliche wichtige Informationen zu unterscheiden und die Fusion wichtiger Merkmale zu stärken. Experimente auf dem erstellten Fahrzeugdatensatz der Autobahn Ningxia zeigen eine durchschnittliche Erkennungsgenauigkeit von 91,2 %, was 4,1 % über dem Originalalgorithmus liegt. Die Experimentergebnisse zeigen, dass die vorgeschlagene Methode im Vergleich zu YOLOv5s und den gängigen Echtzeit-Fahrzeugerkennungsalgorithmen eine bessere Erkennungsleistung besitzt.

Aufmerksamkeitsmechanismus;YOLOv5s;Fahrzeugerkennung;Intelligenter Verkehr;Neuronale Netze