基于物联网与多传感器数据融合的改进YOLOv5行人检测系统研究及其性能验证

《Array》：Urban road pedestrian detection system integrating IoT technology and multi-sensor data fusion algorithm

为解决城市道路行人检测系统精度低、易受干扰等问题，研究人员开展了一项融合物联网技术与多传感器数据融合算法的优化研究。通过引入SE-Bneck注意力机制模块改进YOLOv5算法，构建了行人检测系统。实验表明，该系统在0.4-2.0人/m2密度场景下准确率达0.948-0.965，极端温度下最大RMSE为3.6，湿度变化中最高精度为0.96，具备强抗干扰能力和稳定性，为智慧交通提供了可靠技术支撑。

　　

随着城市道路网络的日益复杂，实时精准地检测行人成为智能交通系统面临的重要挑战。现有行人检测系统在交叉口、斑马线等场景中易受环境干扰，存在检测精度低、计算效率差等问题。尤其在行人密集或极端天气条件下，传统方法的局限性更加凸显。为此，研究人员在《Array》发表论文，提出一种融合物联网技术与多传感器数据融合算法的改进型YOLOv5行人检测系统，通过算法优化和硬件协同设计显著提升了系统性能。

研究团队采用改进YOLOv5算法作为核心技术框架，引入SE-Bneck注意力机制模块增强特征提取能力，并利用物联网技术整合摄像头与激光雷达等多传感器数据。通过空间坐标变换（旋转矩阵与透视投影）实现数据对齐，结合传感器部署优化（基于欧氏距离计算覆盖半径）减少数据冲突，构建了高效的行人检测系统。实验设计涵盖不同行人密度（0.4-2.0人/m²）、温度（-90℃至60℃）和湿度（15%-75%）等多维场景。

1. 方法验证与模型性能分析

通过对比YOLOv5、YOLOv4、SSD、MDP和KCF五种模型，发现YOLOv5在准确率（0.938）、召回率（0.940）、F1分数（0.937）等指标上均优于其他模型。输入输出值曲线拟合度测试显示，YOLOv5的最大偏差仅为0.05，显著低于YOLOv4的0.15。此外，YOLOv5的IoU值最高达0.96，MAE最低为2.2，表明其具有优异的鲁棒性和精度。

2. 系统应用效果验证

在行人密度实验中，YOLOv5系统在0.4-2.0人/m²密度下的准确率稳定在0.948-0.965，均高于对比系统。湿度实验中，45%湿度时YOLOv5系统精度达峰值0.96，检测距离在30%湿度时最远为11.0米。温度实验中，YOLOv5系统在-90℃时RMSE最大为3.6，在0℃时检测距离最远达11.5米，表现出良好的环境适应性。

研究结论表明，该优化模型通过SE-Bneck模块强化了YOLOv5的特征表达能力，多传感器融合策略提升了系统抗干扰性。其在复杂场景下的高精度检测（最高0.965）和可控误差（RMSE≤3.6）验证了实用价值。然而，模型结构复杂性增加了训练难度，未来需探索更高效的数据融合方法。该研究为智慧交通领域的实时行人监测提供了技术支撑，尤其在极端环境下的稳定性表现具有重要推广意义。