《電子技術(shù)應(yīng)用》
您所在的位置：首頁(yè) > 人工智能 > 设计应用 > 一种基于YOLOv8模型的高速公路异常事件智能分析系统研究
一种基于YOLOv8模型的高速公路异常事件智能分析系统研究
电子技术应用
柯威曳，苏吉才，齐腾涛，王国相
1.浙江交投高速公路运营管理有限公司；2.丽水学院 商学院
摘要： 基于视频分析的事件检测系统已经在许多领域获得了成功，但是在高速公路异常事件检测领域仍旧存在漏检、误报、精度不足等问题。为了处理上述问题，针对YOLOv8进行改进，使用人工智能视频分析技术，提出一种全新的Highway-YOLOv8模型，构建可用于高速公路异常事件检测的智能视频分析系统。首先，设计了一个全新深层通道交互空间的注意力机制（Deep Channel-by-Space Attention Mechanism），模型利用通道和空间交互信息，有效提升模型的视野感知能力；其次，由于卷积深层中容易丢失小物体信息，设计多阶段跨越融合机制（Multi-Stage Fusion Mechanism），提升模型的小物体检测能力；最后，采用先进的Wise-IoU损失函数替换了原有的YOLOv8损失函数，有效提升了模型的收敛速度和检测精度。实验结果表明，Highway-YOLOv8在高速公路的异常数据集上相较于原来的YOLOv8，在所有类别上mAP平均提升了2%，在车辆等一些单类别上的mAP上的提升最高达到5%，不仅显著提升了目标检测的精度，还有效减少了漏检与误检现象。
中圖分類號(hào)：TP391.4 文獻(xiàn)標(biāo)志碼：A DOI: 10.16157/j.issn.0258-7998.256932
中文引用格式： 柯威曳，蘇吉才，齊騰濤，等. 一種基于YOLOv8模型的高速公路異常事件智能分析系統(tǒng)研究[J]. 電子技術(shù)應(yīng)用，2026，52(2)：39-44.
英文引用格式： Ke Weiye，Su Jicai，Qi Tengtao，et al. Research on an intelligent analysis system for highway abnormal events based on the YOLOv8 model[J]. Application of Electronic Technique，2026，52(2)：39-44.
Research on an intelligent analysis system for highway abnormal events based on the YOLOv8 model
Ke Weiye1，Su Jicai1，Qi Tengtao1，Wang Guoxiang2
1.Zhejiang Communications Investment Expressway Operation Management Co.， Ltd.；2.Business School， Lishui Universtity
Abstract： Event detection systems based on video analysis have been successful in many fields, but there are still issues such as missed detections, false positives, and insufficient accuracy in the field of highway anomaly detection. To address these issues, this paper improves YOLOv8 and uses artificial intelligence video analysis technology to propose a new Highway-YOLOv8 model and construct an intelligent video analysis system that can be used for highway anomaly detection. First, this paper designs a novel Deep Channel-by-Space Attention Mechanism (DCSM), which leverages channel and spatial interaction information to effectively enhance the model's field-of-view perception capabilities. Second, to address the loss of small object information in deep convolutional layers, this paper introduces a Multi-Stage Fusion Mechanism (MSFM), which significantly improves the model's small object detection capabilities. Finally, this paper adopts the advanced Wise-IoU loss function to replace the original YOLOv8 loss function, which effectively accelerates model convergence and improves detection accuracy. Experimental results show that Highway-YOLOv8 achieves a 2% improvement in mAP across all categories on the highway anomaly dataset compared to the original YOLOv8, with the highest improvement reaching 5% for single categories such as vehicles. This not only significantly enhances detection accuracy but also effectively reduces false negatives and false positives.
Key words : video analysis；YOLOv8；attention mechanism；multi-stage fusion

引言

隨著工業(yè)化進(jìn)程的不斷推進(jìn)和智慧城市建設(shè)的快速發(fā)展[1]，大量高速公路交通工程項(xiàng)目相繼建成并投入使用，極大地方便了人們的出行。然而，對(duì)高速公路事件進(jìn)行高效、準(zhǔn)確的檢測(cè)與報(bào)警處理顯得尤為重要。傳統(tǒng)的視頻序列分析方法在面對(duì)復(fù)雜多變的交通場(chǎng)景時(shí)，往往難以實(shí)現(xiàn)精準(zhǔn)有效的檢測(cè)，已難以滿足現(xiàn)代智能交通系統(tǒng)的需求。

目前，高速公路事件檢測(cè)的研究主要集中在對(duì)單一類別的車輛或行人進(jìn)行識(shí)別，而對(duì)于不同車型、拋灑物等復(fù)雜目標(biāo)的檢測(cè)研究仍相對(duì)較少。王澤宇等人[2]提出了一種基于無(wú)人機(jī)視頻分析的方法，用于識(shí)別高速公路上的車輛；陳偉等人[3]則通過(guò)改進(jìn)YOLOv8模型，實(shí)現(xiàn)了對(duì)高速公路服務(wù)區(qū)內(nèi)的車輛違規(guī)行為的檢測(cè)；彭紅星等人[4]提出了一種基于改進(jìn)YOLOv5的檢測(cè)方法，用于識(shí)別高速公路隧道中的車輛和行人；肖應(yīng)紅等人[5]則結(jié)合熱成像技術(shù)，構(gòu)建了適用于山區(qū)高速公路的車輛超溫檢測(cè)與預(yù)警系統(tǒng)。賀順等人[6]針對(duì)復(fù)雜場(chǎng)景下的多尺度SAR艦船目標(biāo)檢測(cè)存在誤檢漏檢的問(wèn)題，提出了一種改進(jìn)的SAR艦船目標(biāo)檢測(cè)方法。RAMAZHAN M R S[7]提出了一個(gè)增強(qiáng)的 YOLOv9 網(wǎng)絡(luò)，專門用于檢測(cè)6種類型的汽車損壞。WANG Z等人[8]提出通過(guò)利用增強(qiáng)的 YOLOv8-PEL 模型來(lái)解決固定攝像機(jī)角度下的車輛高精度檢測(cè)問(wèn)題。WANG H[9]提出了 LSOD-YOLO，這是一種基于 YOLOv8 的輕量級(jí)小目標(biāo)檢測(cè)算法去解決小目標(biāo)問(wèn)題。ZHONG H等人[10]提出了 PS-YOLO一種專為基于無(wú)人機(jī)的物體檢測(cè)而設(shè)計(jì)的快速而精確的網(wǎng)絡(luò)。葉暉等人[11]以YOLOv8為基線模型進(jìn)行改進(jìn)，提出了一種YOLOv8-Evo的桑葉病害識(shí)別算法。張婷等人[12]提出了一種多尺度注意力融合網(wǎng)絡(luò)（Multi-scale Attention Fusion Network），能夠捕捉病理圖像的多尺度特征，利用注意力機(jī)制突出腫瘤等關(guān)鍵區(qū)域，并有效融合多尺度信息以提升分割邊界精度和整體性能。安鶴男等人[13] 針對(duì)目標(biāo)檢測(cè)任務(wù)中特征金字塔網(wǎng)絡(luò)（FPN）在多尺度特征融合方面的不足，提出了一種融合自注意力機(jī)制的FSA-FPN（Feature Self-Attention FPN）重構(gòu)方法，增強(qiáng)模型對(duì)關(guān)鍵特征區(qū)域的關(guān)注能力，優(yōu)化不同層級(jí)特征之間的信息交互與融合。上述方法在某些特定場(chǎng)景下取得了一定的成效，但仍存在以下不足：(1)未能充分考慮高速公路中存在多種類型的異常事件，缺乏統(tǒng)一的多類別事件預(yù)警機(jī)制；(2)未充分應(yīng)對(duì)監(jiān)控?cái)z像頭所拍攝圖像中存在大量小目標(biāo)的問(wèn)題；(3)對(duì)于多類別目標(biāo)檢測(cè)任務(wù)中模型收斂困難、檢測(cè)精度不高的問(wèn)題缺乏有效解決方案。

為解決上述問(wèn)題，本文提出了一種改進(jìn)的YOLOv8算法——Highway-YOLOv8，并在此基礎(chǔ)上構(gòu)建高速公路異常事件視頻檢測(cè)系統(tǒng)，同時(shí)在相應(yīng)的數(shù)據(jù)集驗(yàn)證其有效性。該算法在原有基礎(chǔ)上引入了三項(xiàng)創(chuàng)新性改進(jìn)：首先，提出一種全新的深層通道-空間交互注意力機(jī)制(DCSM)，通過(guò)融合通道與空間特征信息，有效增強(qiáng)了模型的感知能力；其次，設(shè)計(jì)了一種多階段跨層融合機(jī)制(MSFM)，顯著提升了對(duì)小目標(biāo)的檢測(cè)性能；最后，采用先進(jìn)的Wise-IoU損失函數(shù)替代原始YOLOv8中的損失函數(shù)，從而提高了模型的收斂速度和檢測(cè)精度。


本文詳細(xì)內(nèi)容請(qǐng)下載：

http://www.ihrv.cn/resource/share/2000006967


作者信息：

柯威曳1，蘇吉才1，齊騰濤1，王國(guó)相2

（1.浙江交投高速公路運(yùn)營(yíng)管理有限公司，浙江 麗水 323000；

2.麗水學(xué)院 商學(xué)院，浙江 麗水 323000）

2.jpg

此內(nèi)容為AET網(wǎng)站原創(chuàng)，未經(jīng)授權(quán)禁止轉(zhuǎn)載。