汪燕超， 胡旭晓

（浙江理工大学机械工程学院， 杭州 310018）

0 引 言

电动单车是生活中常见的交通工具，据相关资料显示，中国居民电动单车拥有数已超过3 亿，而大量电动单车随意停放的现象对公众的人身和财产安全造成了巨大威胁［1］。

以往对于电动单车违法停放的监测主要依靠在场所附近安装监控并拍摄照片，而后交给监控中心的工作人员进行监控和预警。 这种方法消耗了大量的人力和物力，对于电动单车违法停放的识别准确率也不高。 近年来人工智能技术快速发展，有学者提出了基于深度学习的目标检测模型，深度学习模型主要分为两大类：一类是基于候选区域的二阶段目标检测模型，另一类是基于回归的一阶段目标检测模型，两者分别依据候选框卷积和模型回归对目标进行检测，代表算法有Faster -RCNN（Faster Region with CNN feature）、SSD（Single Shot MultiBox Detector）和YOLO 系列等，但这些算法常常存在对小目标漏检和误检等问题。

针对传统检测方法的不足，本文提出了改进的YOLOv6 模型，在YOLOv6 模型检测部分嵌入CBAM（Convolutional Block Attention Module）卷积注意力模块，并引入Ghost 幻影卷积模块，以提高模型的精确度和检测速度。 改变外接摄像头所拍摄电动单车停放图片的亮度、遮挡范围和目标个数等属性制作相应数据集，据此评估改进后的模型的鲁棒性、识别速度和精度，进一步提升改进后模型的性能。

1 YOLOv6 模型简介

YOLO 系列模型采用直接回归的方法，与传统的目标检测模型相比，YOLO 系列模型计算效率高，能够方便地进行端到端的训练，因此能快速地检测出目标，在许多实际的应用场景都取得了较好的效果。……