고속 복잡한 환경에서 YOLOv5s 알고리즘의 세부 특징 학습 능력이 약하고, 중복 정보가 과도하며, 핵심 특징 융합이 부족하여 차량 목표 검출 정확도가 낮은 문제를 해결하기 위해 본 논문에서는 YOLOv5s 기반 고속도로 차량 실시간 검출 모델(YOLOv5s-CRCP)을 제안한다. 먼저, 잔차 단위에 컨볼루션 어텐션 모듈을 삽입하여 세부 특징 학습을 강화하고 중복 정보 간섭을 억제한다; 그 다음, 컨볼루션 어텐션을 피라미드 네트워크에 통합하여 다양한 중요 정보를 구분하고 핵심 특징 융합을 강화한다. 닝샤 고속도로 차량 데이터셋에서 실험한 결과, 평균 검출 정확도가 91.2%에 도달해 원래 알고리즘보다 4.1% 높았다. 실험 결과는 YOLOv5s 및 주요 실시간 차량 목표 검출 알고리즘과 비교하여 본 방법이 더 우수한 검출 성능을 가짐을 보여준다.

어텐션 메커니즘;YOLOv5s;차량 목표 검출;지능형 교통;신경망