摘要： 针对无人自动充电桩工作过程中背景复杂导致电动汽车充电口识别精度低等问题，提出基于改进YOLO5算法的一种电动汽车充电口识别方法。采用融入加权双向特征金字塔结构增强不同层级间的信息融合能力；引入GhostNet网络结构中的深度可分离卷积GhostConv，替代原模型中的特征提取网络中的普通卷积层，减小了模型的计算开销；主干网络中使用SENet结构增加感受野信息，提高模型对充电口特征的提取能力；同时改进模型损失函数，引入EloU损失函数代替原始CIoU损失函数，提高边界框回归精度。实验结果表明：改进后的模型在自制的多样化电动汽车充电口数据集上相较于原始YOLO5算法在模型体积上减小了6.94 MB，检测精度提升到94.75%。同时与目前主流的检测算法对比，检测精度与检测速度也具有一定的优越性，适用于复杂背景环境下的电动汽车充电口的目标检测。

关键词: 图像处理；目标检测；电动汽车充电口；注意力机制；多尺度融合；YOLOv5

中图分类号: 

• TP391.41