基于改进YOLOv8s模型的电动车骑乘人员头盔佩戴检测
袁宇乐
汤文兵
安徽理工大学 计算机科学与工程学院,安徽 淮南 232001
摘要：针对电动车头盔检测模型易受天气、视角等因素影响,存在漏检、误检、精度低和实时检测效率差等问题,基于原始YOLO第 8 小版(you only look once version 8 small,YOLOv8s)模型进行改进,提出改进YOLOv8s模型.主干特征提取网络选用轻量级的香草网络(vanilla network,VanillaNet)模块,颈部网络采用轻量级的上采样算子内容感知特征重组(content-aware reassembly of features,CARAFE)模块,增加 160 像素×160 像素的极小目标检测层(tiny object detection layer,tiny)模块并修改损失函数为多尺度预测距离交并比(multi-scale prediction distance intersection over union,MPDIoU).为验证优化模块的有效性,采用消融实验并对比模型改进前后的差异.结果表明,改进YOLOv8s模型平均精确率均值达 95.6%,检测速度提升至 102 帧/s,检测精度有明显提升且延时有所降低.改进YOLOv8s模型能够在实际场景中有效检测电动车骑乘人员的头盔佩戴情况,对于减少人身伤害、提升道路安全和优化智能交通系统具有重要作用.
关键词：深度学习目标检测YOLOv8sVanillaNetCARAFE极小目标检测层MPDIoU
分类号：TP391.41(计算技术、计算机技术)U495(交通工程与公路运输技术管理)
资助基金：国家自然科学基金(52374154)
论文发表日期：2024-09-20
在线出版日期：2025-08-15（本平台首次上网日期，不代表文献的发表时间）
页数：7( 355-360,367 )
英文信息