Для решения проблемы слабой способности алгоритма YOLOv5s к изучению детальных признаков в условиях высокой скорости и сложной среды, избыточной информации и недостаточного слияния ключевых признаков, что приводит к низкой точности обнаружения транспортных средств, в статье предложена модель реального времени для обнаружения транспортных средств на автомагистралях на основе YOLOv5s (YOLOv5s-CRCP). Во-первых, в остаточном блоке встроен сверточный модуль внимания для усиления обучения детализированных признаков и подавления помех избыточной информации; затем сверточное внимание интегрируется в пирамидальную сеть для различения информации различной важности и усиления слияния ключевых признаков. Эксперименты проведены на собранном датасете транспортных средств скоростной автомагистрали Нинся, средняя точность обнаружения достигла 91,2%, что на 4,1% выше оригинального алгоритма. Результаты показывают, что по сравнению с YOLOv5s и основными алгоритмами обнаружения транспортных средств в реальном времени предложенный метод имеет лучшие показатели обнаружения.

Механизм внимания;YOLOv5s;Обнаружение транспортных средств;Интеллектуальный транспорт;Нейронные сети