中国安全科学学报

作者：周军超, 陈鑫, 高建杰, 章杰

单位：1 四川轻化工大学 机械工程学院,四川 自贡 643000；2 成渝地区双城经济圈(泸州)先进技术研究院,四川 泸州 646000；3 四川警察学院 智能警务四川省重点实验室,四川 泸州 646000；4 长沙理工大学 汽车与机械工程学院,湖南 长沙 410114

关键词：YOLOv8n,空间混行,交通参与者,检测模型,空间到深度的非跨行卷积(SPD-Conv),坐标注意力机制(CA)

基金：智能警务四川省重点实验室开放课题资助(ZNJW2023KFQN005); 智能警务四川省重点实验室开放课题资助(ZNJW2022KFQN004); 泸州市科技计划资助(2023JYJ066)

为提升智能网联汽车和交通监测系统对交通参与者的识别精度和检测速度,及时应对城市空间混行交通环境中的安全隐患,提出一种基于改进YOLOv8n算法的城市空间混行交通参与者检测模型。首先,在数据输入阶段利用几何变换和像素变换策略来防止过度拟合,提高鲁棒性和泛化性;其次,使用空间到深度的非跨行卷积(SPD-Conv)模块代替所有原始卷积层,提高对低分辨率小目标的特征提取能力;同时,在颈部网络融合结构中加入轻量级坐标注意力机制(CA)模块,在几乎不添加任何计算开销的同时提高对关键信息的识别精度;然后,用边界框损失函数有效交并比(EIoU)替代原损失函数,使模型获得更卓越的收敛速度与识别稳定性;最后,利用平台公开和自建融合的交通参与者数据集(BNS)进行消融和对比试验,运用自动驾驶试验平台进行实景实时检测。结果表明:相比于基线模型YOLOv8n,改进模型SEC-YOLO的每秒传输帧数(FPS)和平均精度均值(mAP)分别提高了7.3%和3.2%;与主流模型对比,mAP和FPS性能值最佳;在自动驾驶试验平台上的实景检测平均准确率为95%。SEC-YOLO算法模型对城市交通参与者的检测准确率更高,鲁棒性和实时性更强。

来源：2024年第12期

《中国安全科学学报》期刊编辑部

查看中国安全科学学报杂志2024年第12期