Para resolver o problema da fraca capacidade de aprendizado de características detalhadas do algoritmo YOLOv5s em ambientes complexos e de alta velocidade, o excesso de informações redundantes e a fusão insuficiente das características chave que levam à baixa precisão na detecção de veículos, este artigo propõe um modelo de detecção em tempo real de veículos em rodovias baseado no YOLOv5s (YOLOv5s-CRCP). Primeiramente, um módulo de atenção convolucional é incorporado na unidade residual para reforçar o aprendizado das características detalhadas e suprimir a interferência de informações redundantes; em seguida, a atenção convolucional é integrada na rede piramidal para distinguir diferentes informações importantes e fortalecer a fusão das características chave. Experimentos realizados com o conjunto de dados de veículos de rodovias de Ningxia mostraram uma precisão média de detecção de 91,2%, superando o algoritmo original em 4,1%. Os resultados experimentais indicam que, em comparação com o YOLOv5s e os principais algoritmos de detecção de veículos em tempo real, o método proposto possui um desempenho de detecção superior.

Mecanismo de atenção;YOLOv5s;Detecção de alvos de veículos;Trânsito inteligente;Redes neurais