Pour résoudre le problème de la faible capacité d'apprentissage des caractéristiques détaillées de l'algorithme YOLOv5s dans un environnement complexe à haute vitesse, l'excès d'informations redondantes et le manque de fusion des caractéristiques clés entraînant une faible précision de détection des véhicules, cet article propose un modèle de détection en temps réel des véhicules sur autoroute basé sur YOLOv5s (YOLOv5s-CRCP). Tout d'abord, un module d'attention convolutionnelle est intégré dans l'unité résiduelle pour renforcer l'apprentissage des caractéristiques détaillées et supprimer les interférences d'informations redondantes ; ensuite, l'attention convolutionnelle est intégrée dans le réseau pyramidal pour distinguer différentes informations importantes et renforcer la fusion des caractéristiques clés. Des expériences menées sur un ensemble de données de véhicules d'autoroute du Ningxia ont montré une précision moyenne de détection de 91,2 %, soit 4,1 % de plus que l'algorithme original. Les résultats expérimentaux indiquent que par rapport à YOLOv5s et aux principaux algorithmes de détection en temps réel des véhicules, la méthode proposée offre de meilleures performances de détection.

Mécanisme d'attention;YOLOv5s;Détection d'objectifs de véhicules;Transport intelligent;Réseaux de neurones