基于CBAM和BiFPN改进YoloV5的渔船目标检测

在渔港高点监控渔船目标的场景下,对渔船检测经常丢失和检测错误等问题,提出了一种基于改进YoloV5的渔船目标检测模型.首先通过Kmeans++算法对锚框重新聚类,选择适合渔船数据集的锚框尺寸;然后在YoloV5的骨干网络中融入卷积注意力模块(CBAM)注意力机制获取更多细节特征;再采用加权双向特征金字塔网络(BiFPN)代替原先的特征金字塔网络(FPN)+像素聚合网络(PAN)结构,快速进行多尺度特征融合;最后在检测尺度上去掉大目标的检测尺度,增加更小目标的检测尺度,改用新的三个检测尺度,提高了模型对小目标渔船的检测精度.结果显示:对比原YoloV5算法,改进后的算法精确度、召回率和平均精度均值均有所提升,分别提升29.5％、0.5％和4.5％,每秒检测帧数达到90.6,对渔船目标检测效果有大幅度改善.研究表明,改进后的YoloV5算法满足休渔期管控期间对渔船目标检测的准确性和实时性要求.