随着我国公路隧道交通事业、新一代人工智能以及边缘计算技术的发展,公路隧道数量的急剧增加,隧道内各种异常事件的隐患不断凸显,使得我国公路隧道的安全形势面临着严峻的挑战。因此,对隧道的日常巡检就变得十分重要。当前,我国主要通过人工或者查看隧道监控视频的方式对隧道内的人、车、裂缝、风机、消防栓等目标进行巡检,然而这种巡检方式存在着时间长、效率低、智能化程度低、易出现漏检误检、成本费用高等问题。为此,本文初步使用YOLOv4模型对隧道内的多个目标进行检测与识别,但因该算法巨大的参数量、计算量以及NVIDIA Jetson AGX Xavier嵌入式设备有限的计算能力,无法实时的对隧道内的多目标进行巡检。针对上述存在的问题,为了平衡部署在嵌入式设备上网络模型的检测精度和速度,本文提出了一种隧道复杂场景下基于改进YOLOv4网络模型的多目标检测与识别算法。首先,使用轻量级Mobile Net V1网络来替代原始YOLOv4模型中的主干网络CSPDarknet53,主要将CSPDarknet53网络中3×3的普通卷积替换为先3×3后1×1的深度可分离卷积,达到了降低网络模型参数目的,在一定程度上加快了本文模型的检测速度,但其平均识别率明显下降。其次,为了在保持本文网络模型检测速度的基础上提高其平均识别率,本文还将原始YOLOv4网络模型中的PANet替换为Bi FPN网络,在对网络进行轻量化的同时,通过跨层跳跃连接方式使低层次的边缘、定位信息与高层次的语义信息进行加权融合。在Tunnel＿Data数据集上的测试实验结果表明,本文模型在服务器设备上的平均识别精度达到了89.56%,比YOLOv4模型略低2.02%,其检测速度为78.72FPS,约是YOLOv4模型的1.33倍。最终将本文模型部署在Jetson AGX Xavier上进行测试,其检测精度和速度分别为88.96%、23.87FPS,比YOLOv4模型的检测速度快20.27FPS,满足在嵌入式设备上对隧道内多个目标的实时检测。