孫建波，王麗杰，麻吉輝，高瑋

（1.哈爾濱理工大學(xué) 測控技術(shù)與通信工程學(xué)院，黑龍江 哈爾濱 150080；2.哈爾濱理工大學(xué) 黑龍江省激光光譜技術(shù)及應(yīng)用重點(diǎn)實(shí)驗(yàn)室，黑龍江 哈爾濱 150080）

0 引言

光伏組件多安裝于室外，長期工作過程中會(huì)受到復(fù)雜環(huán)境因素影響產(chǎn)生如組件脫落、表面破裂、開路、柵線老化[1]等不同程度的缺陷，導(dǎo)致局部發(fā)熱并在紅外圖像中呈現(xiàn)出“熱斑效應(yīng)”，對(duì)光伏發(fā)電的經(jīng)濟(jì)效益和安全運(yùn)行都帶來了嚴(yán)重影響[2]。傳統(tǒng)的光伏電站巡檢方式多為人工巡檢，工作時(shí)難度高且效率低下，主要依賴光伏逆變器的電氣特性和組件外觀狀態(tài)，檢測效率較低。

隨著光伏產(chǎn)業(yè)規(guī)模不斷擴(kuò)大，搭載工業(yè)相機(jī)的無人機(jī)巡檢逐漸成為主流。一方面，傳統(tǒng)的紅外圖像處理方法將獲取的圖像信息進(jìn)行聚類分析、幾何邊緣分割[3]、形態(tài)學(xué)處理等操作，能夠較為準(zhǔn)確地判別故障模式。時(shí)亞濤[4]等采用傅里葉變換的方法去除光伏板母線，并重建圖像背景，最后用待檢圖像與背景圖像的差值得到缺陷類型。該方法對(duì)不同缺陷都有較高的識(shí)別準(zhǔn)確率，但對(duì)小目標(biāo)識(shí)別效果不佳，且未對(duì)缺陷類型進(jìn)行明確分類。毛峽[5]等以紅外圖像局部標(biāo)準(zhǔn)差衡量局部灰度一致性，在該區(qū)域中根據(jù)矩形尺寸采用了形態(tài)學(xué)方法對(duì)光伏陣列背景區(qū)域進(jìn)行去除，從而對(duì)熱斑圖像有效區(qū)域進(jìn)行了分割，且分割效果優(yōu)于常規(guī)分割算法。另一方面，相較于傳統(tǒng)圖像處理算法，基于深度學(xué)習(xí)的目標(biāo)檢測算法在檢測速度和識(shí)別準(zhǔn)確率方面更加理想，其從結(jié)構(gòu)上可分為單階段（one-stage）檢測算法和二階段（two-stage）檢測算法。前者如SSD（single shot multiBox detector）[6]、YOLO（you only look once）[7]系列不用生成區(qū)域候選框，在網(wǎng)絡(luò)中基于區(qū)域回歸的方式進(jìn)行特征提取，具有較高的檢測速度但定位精度較低。后者先由模型生成一系列候選框，再通過后續(xù)分類網(wǎng)絡(luò)進(jìn)行分類，常見的如R-CNN[8]、Faster-RCNN[9]、Cascade RCNN[10]等，此類方法能在一定程度上提高精度，但檢測速率較低，為此，近年來領(lǐng)域內(nèi)大量科研人員開始致力于相關(guān)研究及探討。S.Wei[11]等提出了基于霍夫變換和Canny 算子結(jié)合的經(jīng)典圖像處理算法以及基于Faster-RCNN和遷移學(xué)習(xí)的卷積神經(jīng)網(wǎng)絡(luò)方法來檢測復(fù)雜環(huán)境下的光伏板熱斑，后者對(duì)熱斑的檢測效果更好，但模型較大，不能很好地部署到移動(dòng)端。Bartler[12]等通過對(duì)故障光伏圖像進(jìn)行畸變校正、分割、透視校正等預(yù)處理，將其輸入卷積神經(jīng)網(wǎng)絡(luò)用于訓(xùn)練，成功解決了數(shù)據(jù)不平衡問題，并取得了較高的分類準(zhǔn)確率；程起澤[13]等提出了一種基于CNN-LSTM 的光伏組件缺陷檢測方法，相較于單純使用LSTM 模型訓(xùn)練時(shí)間縮短，同時(shí)保持了良好的準(zhǔn)確率。

通過分析上述研究手段的優(yōu)劣及其適用條件，本文提出了一種基于損失改進(jìn)和特征增強(qiáng)處理的YOLOv5s 光伏故障巡檢方法。使用性能更佳的EIOU 函數(shù)代替GIOU 函數(shù)計(jì)算回歸損失，該函數(shù)充分考慮了錨框?qū)捀叩谋壤瑫r(shí)自適應(yīng)調(diào)節(jié)置信度損失函數(shù)平衡參數(shù)，使模型更加專注高質(zhì)量錨框的損失；結(jié)合Inception 結(jié)構(gòu)以及殘差結(jié)構(gòu)的特點(diǎn)，在每個(gè)檢測層前構(gòu)建InRe 特征增強(qiáng)模塊，以期提高特征提取能力。

1 數(shù)據(jù)采集方案

研究中，利用搭載雙光相機(jī)的無人機(jī)對(duì)東北某光伏場站進(jìn)行圖像采集。故障分析采用光伏板紅外圖像熱斑及缺陷分析為主、可見光圖像分析為輔的故障模式及效應(yīng)分析手段，執(zhí)行紅外圖像熱斑與缺陷識(shí)別分析，借此改變目前用于深度學(xué)習(xí)的光伏缺陷數(shù)據(jù)集多為可見光圖像的研究現(xiàn)狀。研究中，圖像數(shù)據(jù)采集的實(shí)驗(yàn)設(shè)備設(shè)置為大疆Matrice200 無人機(jī)搭載ZENMUSE XT2 云臺(tái)方式，雙光相機(jī)采用FLIR 長波紅外非制冷熱成像相機(jī)機(jī)芯和可見光相機(jī)。對(duì)于沼澤、水面等地勢(shì)較平整的光伏場區(qū)域，采用路徑自主規(guī)劃算法；對(duì)于坡地區(qū)域事先手動(dòng)選取光伏區(qū)域起始、結(jié)束點(diǎn)進(jìn)行路徑規(guī)劃，再由無人機(jī)依據(jù)路徑進(jìn)行巡檢。巡檢時(shí)，始終保持紅外相機(jī)云臺(tái)角度與傾斜的光伏板正對(duì)以獲得最大拍攝面積，為了克服陽光強(qiáng)烈時(shí)造成的反光干擾，及時(shí)調(diào)整飛行高度，水平飛行速度為4 m/s。

圖像數(shù)據(jù)采集后，通過對(duì)得到的紅外與可見光圖像進(jìn)行對(duì)比分析發(fā)現(xiàn)，故障主要包括熱斑和組件脫落兩種，其中熱斑數(shù)量較多，多位于組件柵格外側(cè)邊緣，圖1 給出了無人機(jī)采集的兩種常見故障模式熱斑和組件脫落的紅外圖像。

圖1 兩種常見光伏組件故障類型樣例Fig.1 Examples of two common PV module failure types

通過對(duì)采集的紅外圖像進(jìn)行篩選，刪除成像效果不佳數(shù)據(jù)，共得到尺寸為640×512 的故障樣本1062 張。為滿足深度學(xué)習(xí)訓(xùn)練要求，需對(duì)數(shù)據(jù)進(jìn)行增強(qiáng)，研究中針對(duì)上述缺陷樣張進(jìn)行翻轉(zhuǎn)（30°、60°、90°）、裁剪、平移等變換，共得到3200 張圖像樣本。將所得樣本按照4:1 的比例分成訓(xùn)練集和測試集，使用標(biāo)注軟件LabelImg 對(duì)數(shù)據(jù)進(jìn)行標(biāo)注，標(biāo)注類別有熱斑（hot spot）和組件脫落（damage）兩類，格式與VOC2007 數(shù)據(jù)集一致，建立紅外光伏板故障數(shù)據(jù)集。

2 YOLO v5s 模型搭建及優(yōu)化研究

2.1 YOLO v5 模型搭建

YOLO v5 網(wǎng)絡(luò)由輸入（Input）、主干（backbone）、特征金字塔結(jié)構(gòu)（FPN＋PAN）和檢測頭（YOLO head）組成，如圖2 所示。從運(yùn)行機(jī)理分析，YOLO v5 基本遵循YOLO 系列的框架架構(gòu)，并在此基礎(chǔ)上提出多點(diǎn)改進(jìn)，包括數(shù)據(jù)輸入、特征金字塔、解耦頭等關(guān)鍵處理環(huán)節(jié)。

圖2中，在數(shù)據(jù)輸入階段，YOLO v5 對(duì)其進(jìn)行了同YOLO v4 一樣的Mosaic 數(shù)據(jù)增強(qiáng)，這樣處理能同時(shí)將4 張圖片經(jīng)過隨機(jī)縮放、裁剪等操作拼接成一張圖片，豐富目標(biāo)背景的同時(shí)減少計(jì)算成本。進(jìn)一步地，圖片縮放后使用更加合理的黑邊填充比例，可減少信息冗余帶來的干擾。

YOLO v5 主干部分主體采用CSPDarknet 結(jié)構(gòu)，其中的CSP 結(jié)構(gòu)將底層特征分解為兩部分，其中一部分經(jīng)過卷積加多個(gè)殘差結(jié)構(gòu)或多個(gè)卷積操作后與另外一部分拼接，從而學(xué)習(xí)到更加豐富的特征。模型根據(jù)CSP 模塊參數(shù)量配置共有Yolo v5s、Yolo v5m、Yolo v5l、Yolo v5x 四個(gè)版本，參數(shù)量由小到大，本文選用最為輕量級(jí)的Yolo v5s 模型，結(jié)構(gòu)如圖2 所示。引入Fcous 結(jié)構(gòu)，將圖片進(jìn)行切片操作，即每間隔一個(gè)像素取值，得到4 個(gè)特征層結(jié)構(gòu)，在參數(shù)量上得到大幅優(yōu)化；添加SPP 結(jié)構(gòu)，即對(duì)尺度分別為1×1、5×5、9×9、13×13 的4 個(gè)最大池化處理進(jìn)行特征提取，該操作能在不影響運(yùn)算速度的前提下實(shí)現(xiàn)不同尺度的特征融合。

圖2 YOLO v5s 結(jié)構(gòu)示意圖Fig.2 Structural diagram of YOLO v5s

特征金字塔部分，將主干中對(duì)輸入尺寸進(jìn)行3、4、5 次壓縮的特征層組成圖像金字塔FPN＋PAN 結(jié)構(gòu)，以此實(shí)現(xiàn)特征多尺度自底向上和自頂向下的融合，使特征信息得到大幅增強(qiáng)。

如圖2 所示，YOLO v5 模型結(jié)構(gòu)中，解耦頭共設(shè)置3個(gè)，分別與特征金字塔FPN＋PAN 結(jié)構(gòu)的3個(gè)輸出相連，對(duì)解耦頭進(jìn)行解碼得到預(yù)測結(jié)果。所有激活函數(shù)采用效果更佳的SiLU 激活函數(shù)，該函數(shù)在深層網(wǎng)絡(luò)中有著比Relu 函數(shù)更好的表現(xiàn)?；貧w損失（location loss）采用GIOU loss，置信度損失（confidence loss）和分類損失（classification loss）均通過BCE 損失函數(shù)得到。

2.2 損失函數(shù)優(yōu)化

神經(jīng)網(wǎng)絡(luò)中的損失（loss）反映預(yù)測值和真實(shí)值的差異，YOLO v5 中損失有3種，分別是回歸損失（location loss）ed，分類損失（classification loss）es和置信度損失（confidence loss）ek，定義網(wǎng)絡(luò)的總損失l：

式中：a1、a2、a3分別代表3 個(gè)不同分辨率特征層的置信度平衡參數(shù)（balance parameter）；ed由GIOU損失得到，表示為：

如圖3 所示，IOU 是預(yù)測框和真實(shí)框的交并比；S2表示包裹預(yù)測框和真實(shí)框的最小矩形面積；S1表示兩框相并的面積。

圖3 GIOU 示意圖Fig.3 Schematic diagram of GIOU

該損失函數(shù)解決了兩框沒有交集面積時(shí)IOU值為0 的問題。同時(shí)也存在兩個(gè)主要缺點(diǎn)：一是當(dāng)兩框交集為0時(shí)，在橫向與縱向收斂較為緩慢，二是當(dāng)兩框出現(xiàn)包含情況時(shí)，損失退化為IOU 損失，此時(shí)收斂依然困難。因此，為了提高模型的收斂穩(wěn)定性，研究中采用EIOU（efficient intersection over union）[14]代替GIOU 作為新的置信度損失，其定義如下：

該函數(shù)主要包含重疊損失LIOU，距離損失Ldis和寬高損失Lasp三部分，其中c表示能包裹兩框最小矩形的對(duì)角線距離，ρ(b,bgt)為兩框中心點(diǎn)距離，cw和ch分別表示能包裹兩框最小矩形的寬度和高度。ρ(w,wgt)和ρ(h,hgt)代表兩框?qū)捄透叩牟钪?。EIOU損失不僅考慮了兩個(gè)矩形框的距離因素，也最小化了兩框?qū)捀叩牟町?，因此可在一定程度上提高較小目標(biāo)的檢測準(zhǔn)確率。

在式(1)中，a1、a2、a3和不同大小目標(biāo)的數(shù)量有關(guān)，考慮到原coco 數(shù)據(jù)集中小目標(biāo)較多的特點(diǎn)，按照特征層由大到小的順序默認(rèn)為0.4，1.0，4。具體到本文實(shí)驗(yàn)對(duì)象中，樣本的不確定性會(huì)影響結(jié)果的準(zhǔn)確性，因此，有必要根據(jù)樣本的數(shù)量自適應(yīng)設(shè)置平衡參數(shù)[15]，其設(shè)置規(guī)則如下：

假設(shè)第i個(gè)檢測層中所有正樣本預(yù)測框數(shù)量為mi，同時(shí)，將mi中與真實(shí)框的IOU 值大于閾值q的預(yù)測框數(shù)量設(shè)為ni，則得到平衡參數(shù)表達(dá)式：

式中：r表示檢測層個(gè)數(shù)；θ＝0.1；μi為高質(zhì)量正樣本數(shù)占總的正樣本數(shù)比例。

改進(jìn)的置信度損失充分考慮真實(shí)框大小和輸出層錨框大小，有利于使模型更加專注于重合度較高的預(yù)測框所帶來的影響。

2.3 特征增強(qiáng)模塊

在YOLO v5 模型中，淺層特征層有更小的感受野，位置信息較多，但語義信息較少，常用作檢測小目標(biāo)；而深層特征層有更大的感受野，位置信息較少，但語義信息較多，常用作檢測大目標(biāo)。因此有必要增強(qiáng)特征層對(duì)目標(biāo)尺度的適應(yīng)性，提高對(duì)不同大小目標(biāo)的魯棒能力。本文使用結(jié)合Inception結(jié)構(gòu)和Resnet 殘差連接優(yōu)點(diǎn)的Inception-ResNet 模塊[16]構(gòu)建特征增強(qiáng)模塊InRe，結(jié)構(gòu)如圖4 所示，對(duì)主干特征層進(jìn)行不同尺度的卷積操作，所得結(jié)果都與輸入層拼接成作為圖像金字塔結(jié)構(gòu)的輸入。

圖4中，InRe 結(jié)構(gòu)分為多尺度卷積部分和殘差連接部分。前者共有3 個(gè)支路，分別進(jìn)行卷積核為1×1 或3×3 的卷積組合操作。研究中，為了減少時(shí)間開支，將3×3 的卷積分解為1×3 和3×1 的卷積，之后將3 個(gè)通道的結(jié)果進(jìn)行堆疊，得到不同大小的感受野信息。后者直接將輸入端經(jīng)過激活的結(jié)果與前者拼接，從而獲得更多的特征信息，在加深網(wǎng)絡(luò)的同時(shí)避免了梯度消失的發(fā)生。除堆疊處卷積外的所有卷積層后激活函數(shù)同樣采用SiLU 激活函數(shù)，改進(jìn)的模型整體結(jié)構(gòu)如圖5 所示。

圖4 InRe 特征增強(qiáng)模塊Fig.4 InRe feature enhancement module

圖5 改進(jìn)后的YOLO v5s 模型Fig.5 Improved YOLO v5s model

3 實(shí)驗(yàn)結(jié)果與分析

3.1 實(shí)驗(yàn)環(huán)境設(shè)置

本實(shí)驗(yàn)的深度學(xué)習(xí)平臺(tái)關(guān)鍵參數(shù)如下：操作系統(tǒng)為Windows10，64 位；顯卡型號(hào)為NVIDIA RTX A4000，內(nèi)存16 GB；CPU 型號(hào)為Intel(R) Xeon(R)CPU E5-2686v@2.30 GHz；深度學(xué)習(xí)框架為Pytorch1.8.1，CUDA 版本為11.1。

訓(xùn)練時(shí)，圖片大小設(shè)置為640×640，直接從主干開始進(jìn)行100 次epoch 訓(xùn)練，batchsize 設(shè)置為8，在倒數(shù)第40 個(gè)epoch 時(shí)關(guān)閉Mosaic 數(shù)據(jù)增強(qiáng)方法，并選用隨機(jī)梯度下降法（stochastic gradient descent,SGD）進(jìn)行優(yōu)化，最大學(xué)習(xí)率為1e-2，最小學(xué)習(xí)率為1e-4，使用余弦衰減方式。

3.2 評(píng)價(jià)指標(biāo)

在數(shù)據(jù)分析階段，采用模型大小、參數(shù)量、FPS（frames per second）、平均準(zhǔn)確率均值mAP（mean average precision）4 個(gè)參數(shù)對(duì)模型效果進(jìn)行評(píng)價(jià)。其中模型大小可以反映模型的輕量化程度，參數(shù)量從時(shí)間上評(píng)價(jià)模型的復(fù)雜程度，F(xiàn)PS 代表每秒能夠檢測圖片的幀數(shù)，該值越大，說明檢測速度越快。mAP 衡量模型識(shí)別準(zhǔn)確率，計(jì)算過程如(5)～(7)所示：

式中：P表示準(zhǔn)確率；R表示召回率；TP 代表判定出來的正樣本數(shù)量，F(xiàn)P 代表應(yīng)該為負(fù)但被判定為正樣本的數(shù)量，F(xiàn)N 代表應(yīng)該為正但被判定為負(fù)的樣本數(shù)量，AP 代表每一類的平均精確度，N為分類數(shù)量。

3.3 實(shí)驗(yàn)結(jié)果與分析

對(duì)于本文所提出的各種方法有效性，我們?cè)赮OLO v5s 的基礎(chǔ)上進(jìn)行了消融實(shí)驗(yàn)，各組實(shí)驗(yàn)采用相同的超參數(shù)和訓(xùn)練策略，實(shí)驗(yàn)結(jié)果如表1 所示。

表1 消融實(shí)驗(yàn)Table 1 Ablation experiment

為了驗(yàn)證損失函數(shù)改進(jìn)帶來的效果提升，設(shè)置了實(shí)驗(yàn)一、二、三、四，其中實(shí)驗(yàn)一采用原YOLO v5s 算法。相較于實(shí)驗(yàn)一，實(shí)驗(yàn)二僅將回歸損失由GIOU 改為EIOU；實(shí)驗(yàn)三自適應(yīng)調(diào)節(jié)置信度損失的平衡參數(shù)；實(shí)驗(yàn)四綜合兩種改進(jìn)方法進(jìn)行實(shí)驗(yàn)。實(shí)驗(yàn)二的結(jié)果表明，當(dāng)回歸損失函數(shù)由GIOU 改為EIOU時(shí)，mAP 上升了3.1 個(gè)百分點(diǎn)，精度明顯改善，同時(shí)檢測速度增長了2.29 FPS，有較小幅度的提升；雖然實(shí)驗(yàn)三的精度效果提升不明顯，但模型回歸效果有所改善，其訓(xùn)練和驗(yàn)證過程損失圖像如圖6 所示。

從圖6 中可以看出在重新計(jì)算出置信度平衡參數(shù)后，損失函數(shù)更快接近收斂，最終穩(wěn)定在0.063左右。綜合兩種方法的實(shí)驗(yàn)四則是在準(zhǔn)確率和檢測速度方面均有提升，說明訓(xùn)練效果比未改進(jìn)損失函數(shù)之前好。

圖6 損失變化Fig.6 Loss diagram

實(shí)驗(yàn)五在實(shí)驗(yàn)一的基礎(chǔ)上加入了特征增強(qiáng)模塊InRe，由于在3 個(gè)特征層都加入了該模塊，導(dǎo)致模型參數(shù)量增加，檢測速度有所下降，但明顯的變化是精度得到了提升，mAP 提高了4.24%，提升精度是最多的，說明InRe 模塊的引入，增強(qiáng)了特征層對(duì)目標(biāo)尺度的適應(yīng)性，對(duì)一些對(duì)精度要求較高的光伏巡檢任務(wù)來說，加入該模塊成效顯著。

最后，實(shí)驗(yàn)六融合了以上所有改進(jìn)方法，融合后的模型效果精度達(dá)到了最佳，訓(xùn)練用時(shí)132 min，其訓(xùn)練過程損失和驗(yàn)證過程損失如圖7 所示，可以看出網(wǎng)絡(luò)在訓(xùn)練過程中沒有出現(xiàn)過擬合現(xiàn)象。證明了模型經(jīng)過損失函數(shù)優(yōu)化和特征增強(qiáng)處理后在均值平均精度和檢測速度上都有著不錯(cuò)的表現(xiàn)。

圖7 實(shí)驗(yàn)六損失函數(shù)變化Fig.7 Loss diagram of experiment 6

為了進(jìn)一步驗(yàn)證模型在同類型算法中的表現(xiàn)，將目前較為主流的單階段和二階段算法與本文所提出的算法進(jìn)行比較，包括經(jīng)典的Faster-RCNN、SSD算法，以及同系列的YOLO v3、v4、v5s 算法和輕量級(jí)網(wǎng)絡(luò)YOLO v4-tiny、YOLO v5-mobileNet，對(duì)數(shù)據(jù)集圖像處理分析得到的結(jié)果如表2 所示。

從表2 中可以看出，原YOLO v5 算法通過特征增強(qiáng)模塊的引入及損失函數(shù)的改進(jìn)提高了對(duì)小目標(biāo)的識(shí)別能力，對(duì)于目標(biāo)更小的熱斑的識(shí)別準(zhǔn)確率明顯高于其他幾種算法，同時(shí)也犧牲了一小部分檢測速度，幀率相比于同系列的輕量化模型YOLO v4-tiny 和YOLO v5-mobileNet 稍有下降，但mAP卻分別高出了27.22 和23.94 個(gè)百分點(diǎn)。本文算法在綜合性能上都優(yōu)于其他模型，mAP 在所有模型中達(dá)到了最佳，因此精度上有著明顯的優(yōu)勢(shì)，完全適用于光伏故障巡檢任務(wù)，也可部署在計(jì)算資源有限的無人機(jī)設(shè)備上。

表2 對(duì)比實(shí)驗(yàn)Table 2 Comparative experiment

為了驗(yàn)證本文算法在實(shí)際應(yīng)用中的表現(xiàn)，從數(shù)據(jù)測試集中抽取了3 種場景的圖片，分別使用本文算法和原YOLO v5s 算法進(jìn)行測試，如圖8 所示。

圖8 處理結(jié)果表明：在第一組圖片中，光伏陣列背景中存在多個(gè)干擾點(diǎn)，兩種模型都表現(xiàn)出較好的適應(yīng)性，沒有誤檢的情況發(fā)生，但原YOLO v5s算法出現(xiàn)了熱斑點(diǎn)漏檢，且本文算法擁有更高的置信度；在第二組圖片中，光伏陣列和背景之間灰度較為接近，且場景比組一更加明亮，原YOLO v5s算法同樣出現(xiàn)了漏檢，可以看出本文算法對(duì)小目標(biāo)的檢測效果有所提升；第三組場景更為復(fù)雜，在與組二對(duì)比度相似的情況下，出現(xiàn)了邊緣的目標(biāo)，本文算法依舊可以識(shí)別出來，說明模型具有較強(qiáng)的魯棒性。

圖8 檢測結(jié)果對(duì)比Fig.8 Comparison of test results

4 結(jié)論

本文提出了一種基于損失改進(jìn)和特征增強(qiáng)處理的YOLO v5s 光伏故障巡檢方法，通過改進(jìn)回歸損失和增加自適應(yīng)置信度平衡系數(shù)，一方面可以提升先驗(yàn)框回歸效果，進(jìn)一步提升了目標(biāo)檢測準(zhǔn)確率，另一方面可以使損失更快地收斂，減少模型訓(xùn)練時(shí)間；最后通過添加特征增強(qiáng)模塊InRe，在一定程度上使檢測層獲得了更多的語義信息和位置信息，mAP 因此提升效果明顯。

實(shí)驗(yàn)及研究結(jié)果表明，本文提出的算法較原YOLO v5s 算法的mAP 提升了8.55 個(gè)百分點(diǎn)，同時(shí)，小目標(biāo)檢測效果也得到了改善，對(duì)復(fù)雜場景識(shí)別也有較高的魯棒能力。后續(xù)進(jìn)一步研究中將側(cè)重模型剪枝等輕量化處理，在保證精度的前提下使之能更好的部署到移動(dòng)設(shè)備當(dāng)中。