运动场景下改进YOLOv5小目标检测算法

针对运动场景下由于设备移动、相机散焦，导致采集到的图像模糊，图像质量低，以及目标体积小，使目标检测困难的问题，提出了一种改进YOLOv5x目标实时检测模型。采用可变形卷积网络替换部分原始YOLOv5x中传统的卷积层，增强模型在运动场景中细粒度特征提取和小目标检测能力；增加SE注意力机制，解决在卷积过程中，因丢失图像全局上下文信息，造成特征损失的问题，提高了模型在图像模糊情况下小目标的检测精度；引入一种新的边界框回归损失函数SIoU Loss，解决了预测框在回归时随意匹配的问题，提高了模型鲁棒性和泛化能力，加快网络的收敛速度。实验结果表明，相比于YOLOv5x模型，将改进后的算法应用在水下移动机器人生物检测中，模型准确率P、召回率R、各类平均精度mAP分别提升了5.90个百分点、5.85个百分点、4.38个百分点，有效增强了小目标检测模型的检测性能。