基于深度学习的门机运行工况人车检测算法研究

摘要

水电站一般通过视觉检测的方法保证门机运行工况安全.在门机工作区域内，人员和车辆是主要的危险源.基于深度学习方法，针对检测图像中人员和车辆目标尺度不一、存在遮挡的问题，对YOLOv8s模型进行改进.主干使用引入EMA注意力机制和动态卷积的DyEMA＿C2f模块替代原有C2f，提高对空间与通道跨维依赖关系的学习能力和对不同尺度目标的特征提取能力，减少运算开销；颈部引入SEAM注意力机制，增强特征融合能力；提出损失函数Focaler-SIoU，聚焦中等处理难度的样本，改善边界回归精度.在网络数据集进行验证实验，改进后的模型精确率P提高了10.3%，召回率R提高了5.5%，平均精度均值mAP提升了8.2%，对遮挡和小尺度的漏检、误检情况明显改善.

关键词

深度学习 / 目标检测 / YOLOv8 / 注意力机制