Para abordar el problema de la débil capacidad de aprendizaje de características detalladas del algoritmo YOLOv5s en entornos complejos de alta velocidad, el exceso de información redundante y la insuficiente fusión de características clave que resultan en una baja precisión en la detección de vehículos, este artículo propone un modelo de detección en tiempo real de vehículos en autopistas basado en YOLOv5s (YOLOv5s-CRCP). Primero, se integra un módulo de atención convolucional en la unidad residual para reforzar el aprendizaje de características detalladas y suprimir la interferencia de información redundante; luego, se incorpora la atención convolucional en la red piramidal para distinguir diferentes informaciones importantes y fortalecer la fusión de características clave. Los experimentos realizados con el conjunto de datos de vehículos de autopistas de Ningxia alcanzaron una precisión media de detección del 91.2%, superando al algoritmo original en un 4.1%. Los resultados experimentales demuestran que en comparación con YOLOv5s y los principales algoritmos de detección de objetivos vehiculares en tiempo real, el método propuesto tiene un mejor rendimiento de detección.

Mecanismo de atención;YOLOv5s;Detección de objetivos vehiculares;Tráfico inteligente;Redes neuronales