基于改进YOLOv7的混凝土工厂障碍物识别.pdfVIP

智能化

Intelligentization

基于改进YOLOv7的混凝土工厂障碍物识别

张杰1,杨俊雅²,李冬冬²,程雪斌1

1.中交二航局第一工程有限公司;2.中交第二航务工程局有限公司

摘要丨随着人工智能技术的快速发展，目标检测算法在工业领域中的应用越来越广泛。混凝土工厂环境复杂，障碍

物种类多样，对障碍物的准确识别对于保障生产安全至关重要。提出一种基于改进YOLOv7的混凝土工厂障碍物识

别算法，通过引入SPD-Conv模块与GAM-Attention，在不降低模型检测性能的前提下，优化算法对混凝土障碍物的

识别精度。试验结果表明，与原始YOLOv7模型相比，在6个不同障碍物类别上准确率、召回率、综合性的评估指标F

和评估模型性能的核心指标mAP@0.5

法具有更高的识别精度。Improved-YOLOv7的mAP@0.5和mAP@0.5:0.95分别为0.908和0.710，参数量为

36.91MB,Flops为135.2G,ADT为24.9ms，相较于CascadeR-CNN模

型，Improved-YOLOv7模型具有更高的识别精度和性能，对于算力需求最小，能够有效识别混凝土工厂中的各类障碍

物，为实际生产提供有力支持。

关键词：目标检测;YOLOv7；混凝土工厂;障碍物识别;注意力机制

混凝土工厂环境因其特有的复杂性，如多样的障碍近年来，尽管深度学习在障碍物识别方面取得了显

物(车辆、人员、堆料等),对障碍物识别的精确性提出了著进展，但在复杂环境下，尤其是针对具体定义的障碍

极高要求。传统的监控系统受限于人工监控或基础的运物,现有算法仍面临精度和鲁棒性方面的不足。为应对这

动检测算法，难以准确辩识各类障碍物，从而影响了生产一挑战，研究者们积极寻求提升算法精度和实时推理能

安全与效率。随着计算机视觉领域的进步，目标检测算力的方法。张洪伟等人提出了HS-YOLO,通过优化

法，特别是YOLO系列，已成为提升障碍物识别能力的YOLOv5-nano,显著提升了检测精度和推理速度。陈天

关键。YOLOv7作为该系列的又一大突破,通过优化特征楷结合相机与激光雷达技术，提出了CenterFusion算

提取、锚点设计、损失函数等，显著提高了检测的准确性。法，有效提高了常见障碍物的识别精度。这些研究不仅丰

然而，在混凝土工厂这一特定环境中，YOLOv7仍面临误富了目标检测领域的理论体系，也为混凝土工厂等复杂

检、漏检等挑战。环境下的障碍物识别提供了实践指导。

作者简介：张杰（1987一）,男，湖北汉川人，高级工程师，学士,研究方向为工程装备研究与机器视觉应用。

32工程松械2025·4

工程私械

第56卷1第4期

总第618期

本文针对混凝土工厂障碍物重叠、目标尺度差距大示。该算法与其他主流目标检测模型相比，在混凝土工厂

导致的识别精度低、误检多问题，以YOLOv7目标检测障碍物识别上具有更高的精度和性能，且参数量和算力

算法为基础,通过在YOLOv7模型颈网络的每个MP2层需求更低。该算法与原始YOLOv7模型相比,在6个不同

后添加GAM-Attention模块，在模型的3个检测头模块障碍物类别上准确率、召回率、综合性的评估指标F1和

前分别添加SPD-Conv层,最终得到优化后的网络,本文评估模型性能的核心指标mAP@0.5分别提升了1.0%~

将其取名为Improved-YOLOv7，其网络结构如图1所10.4%2.8%~11.3%.0.5%~10.5%、3.5%~8.3%。

ELAN-WSPD-CONVREPCBM

ELAN