基于改进YOLOv5的港口集装箱损伤检测算法

针对港口复杂环境背景下，不同尺度间多种类集装箱损伤目标检测精度低的问题，提出一种基于改进YOLOv5的港口集装箱损伤检测算法。通过使用一维卷积改进卷积块注意力机制(CBAM)中空间注意力模块的池化操作，后设计残差结构，并验证在不同位置引入改进的CBAM基本块对模型性能的影响，探索尽量减小复杂背景对检测结果影响的最佳方案及融合位置；为有效解决不同集装箱损伤图像尺度特征变换较大的问题，依据双向特征融合网络(Bi-FPN)结构思想，对颈部特征融合网络进行改进，在不过多增加计算量的情况下，更好地增强网络对多尺度目标的特征融合能力；最后将EIOU Loss替换GIOU Loss作为算法的损失函数，在降低算法边界框回归损失的同时提高算法的检测精度。实验结果表明，改进YOLOv5算法的平均检测精度达到了98.32%,较原YOLOv5目标检测算法提高了4.28%,同时保证了检测速度，验证了所提出算法的有效性，对港口企业高精度验箱的工业部署有重要意义。