Resumen

La detección de señales de tráfico es sumamente importante en los sistemas de conducción autónoma y seguridad en el transporte. Sin embargo, la detección precisa de las señales de tráfico sigue siendo un reto, especialmente en condiciones extremas. Este trabajo propone un nuevo modelo denominado Traffic Sign Yolo (TS-Yolo) basado en la red neuronal convolucional para mejorar la precisión de la detección y el reconocimiento de las señales de tráfico, especialmente en condiciones de baja visibilidad y visión extremadamente restringida. Se utilizó un método de aumento de datos de copiar y pegar para construir un gran número de muestras nuevas basadas en conjuntos de datos de señales de tráfico existentes. Basándose en You Only Look Once (YoloV5), se empleó la convolución mixta en profundidad (MixConv) para mezclar diferentes tamaños de núcleo en una única operación de convolución, de modo que se pudieran capturar diferentes patrones con varias resoluciones. Además, se integró el módulo de fusión de características atencionales (AFF) para fusionar las características basadas en la atención desde escenarios de la misma capa a escenarios de capas cruzadas, incluyendo conexiones de salto cortas y largas, e incluso realizando la fusión inicial consigo mismo. Los resultados experimentales demostraron que, utilizando el conjunto de datos YoloV5 con aumento, la precisión fue de 71,92, lo que supuso un aumento de 34,56 en comparación con los datos sin aumento, y la precisión media mAP_0,5 fue de 80,05, lo que supuso un aumento de 33,11 en comparación con los datos sin aumento. Cuando se aplicaron MixConv y AFF al modelo TS-Yolo, la precisión fue de 74,53 y 2,61 más que con el aumento de datos solamente, y el valor de mAP_0,5 fue de 83,73 y 3,68 más que el basado en el conjunto de datos YoloV5 con aumento solamente. En general, el rendimiento del método propuesto fue competitivo con los métodos más recientes de detección de señales de tráfico.

• Materias:Biotecnología Minería de datos Redes de sensores Sistema de sensores Tecnología de sensores
• Subjects:Biotechnology Data mining Sensor networks Sensor system Sensor technology
• Palabras claves:aumento, conjunto de datos yolov5, señales de tráfico, últimos métodos de detección de señales de tráfico, precisión media map_0.5, método de aumento de datos de pasta, señal de tráfico yolo, detección de señales de tráfico, fusión de características atencionales, red neuronal convolucional
• Keywords:augmentation, yolov5 dataset, traffic signs, latest traffic sign detection approaches, mean average precision map_0.5, paste data augmentation method, traffic sign yolo, traffic sign detection, attentional feature fusion, convolutional neural network