基于轻量级YOLOv8-ASP的航空行李检测

摘要

航空行李具有种类数量繁多、纹理图案复杂和形状各异等特点，这些特点使得深度学习模型需要更高的计算复杂度才能对行李目标进行准确识别。为了增强工程实用性和降低模型复杂度，该文提出了一种基于轻量级YOLOv8-ASP的航空行李检测方法。首先，为优化模型的特征提取和融合能力，同时降低模型复杂性和计算量，设计了自适应Single PAN特征融合网络模块；其次，为增强对航空行李重要特征的感知能力，在YOLOv8n主干网络的底部加入ECA注意力机制；最后，为解决航空行李目标尺度变化引起的不平衡问题，在检测头中引入MPDIoU边框损失函数。通过构建航空行李数据集进行实验验证，结果表明，相对于YOLOv8n原始模型，所提YOLOv8-ASP方法在mAP@50上提高了0.4%,FPS提高了16%，参数量从3.012×10～6减少到2.759×10～6,GFLOPs从8.2减少到5.6。实验结果表明，所提方法在保证检测精度的同时，显著降低了模型的复杂性和计算量。

关键词

航空行李检测 / 轻量化 / YOLOv8 / 自适应特征融合 / 注意力机制