为解决内河航道通航时船舶相互遮挡导致的错检和漏检问题，提出一种基于改进YOLOv5模型的内河道船舶检测方法。该方法采用C2f模块以捕捉和融合多尺度特征，增强低级特征的语义信息；引入Shuffle Attention模块强化特征表示，使模型能够聚焦于信息量更大的区域，并有效抑制无关特征；同时，采用Wise-IoU损失函数，有效防止低质量锚框产生有害梯度，加速模型的优化过程。研究结果表明：改进后模型的平均精度mAP@0.5达到98.9%,m AP@0.5:0.95达到79.1%，较原YOLOv5模型分别提高了1.2和2.8个百分点。此外，针对数据集中的6种船舶分别进行实验，实验结果显示各种船舶的检测精度均有提升，其中内河航道常见的矿砂船的mAP@0.5提升了1.5个百分点，mAP@0.5:0.95提升5.9个百分点。研究结论为内河道船舶检测提供了可靠的技术支持。

安徽省教育厅自然科学研究重点项目（KJ2021A0657）；阜阳师范大学阜阳市人工智能产业链研究创新团队项目（CYLTD202213）;阜阳师范大学博士科研启动基金项目（2020KYQD0026）；

0引言
1 CSW-YOLOv5模型
1.1 C2f模块
1.2 Shuffle Attention模块
1.3损失函数及锚框优化
2实验结果与分析
2.1实验环境
2.2数据集来源
2.3评价指标
2.4实验结果与分析
3结论

[1]丁飞,张祥林,刘明君.基于改进YOLOv5的内河道船舶检测方法研究[J].辽宁工程技术大学学报(自然科学版),2024,43(06):761-768.