一种基于YOLOv8模型的高速公路异常事件智能分析系统研究-AET-电子技术应用

一种基于YOLOv8模型的高速公路异常事件智能分析系统研究

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。

关键词： 视频分析 YOLOv8 注意力机制多阶段融合

中图分类号：TP391.4 文献标志码：A DOI: 10.16157/j.issn.0258-7998.256932
中文引用格式： 柯威曳，苏吉才，齐腾涛，等. 一种基于YOLOv8模型的高速公路异常事件智能分析系统研究[J]. 电子技术应用，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

随着工业化进程的不断推进和智慧城市建设的快速发展[1]，大量高速公路交通工程项目相继建成并投入使用，极大地方便了人们的出行。然而，对高速公路事件进行高效、准确的检测与报警处理显得尤为重要。传统的视频序列分析方法在面对复杂多变的交通场景时，往往难以实现精准有效的检测，已难以满足现代智能交通系统的需求。

目前，高速公路事件检测的研究主要集中在对单一类别的车辆或行人进行识别，而对于不同车型、抛洒物等复杂目标的检测研究仍相对较少。王泽宇等人[2]提出了一种基于无人机视频分析的方法，用于识别高速公路上的车辆；陈伟等人[3]则通过改进YOLOv8模型，实现了对高速公路服务区内的车辆违规行为的检测；彭红星等人[4]提出了一种基于改进YOLOv5的检测方法，用于识别高速公路隧道中的车辆和行人；肖应红等人[5]则结合热成像技术，构建了适用于山区高速公路的车辆超温检测与预警系统。贺顺等人[6]针对复杂场景下的多尺度SAR舰船目标检测存在误检漏检的问题，提出了一种改进的SAR舰船目标检测方法。RAMAZHAN M R S[7]提出了一个增强的 YOLOv9 网络，专门用于检测6种类型的汽车损坏。WANG Z等人[8]提出通过利用增强的 YOLOv8-PEL 模型来解决固定摄像机角度下的车辆高精度检测问题。WANG H[9]提出了 LSOD-YOLO，这是一种基于 YOLOv8 的轻量级小目标检测算法去解决小目标问题。ZHONG H等人[10]提出了 PS-YOLO一种专为基于无人机的物体检测而设计的快速而精确的网络。叶晖等人[11]以YOLOv8为基线模型进行改进，提出了一种YOLOv8-Evo的桑叶病害识别算法。张婷等人[12]提出了一种多尺度注意力融合网络（Multi-scale Attention Fusion Network），能够捕捉病理图像的多尺度特征，利用注意力机制突出肿瘤等关键区域，并有效融合多尺度信息以提升分割边界精度和整体性能。安鹤男等人[13] 针对目标检测任务中特征金字塔网络（FPN）在多尺度特征融合方面的不足，提出了一种融合自注意力机制的FSA-FPN（Feature Self-Attention FPN）重构方法，增强模型对关键特征区域的关注能力，优化不同层级特征之间的信息交互与融合。上述方法在某些特定场景下取得了一定的成效，但仍存在以下不足：(1)未能充分考虑高速公路中存在多种类型的异常事件，缺乏统一的多类别事件预警机制；(2)未充分应对监控摄像头所拍摄图像中存在大量小目标的问题；(3)对于多类别目标检测任务中模型收敛困难、检测精度不高的问题缺乏有效解决方案。

为解决上述问题，本文提出了一种改进的YOLOv8算法——Highway-YOLOv8，并在此基础上构建高速公路异常事件视频检测系统，同时在相应的数据集验证其有效性。该算法在原有基础上引入了三项创新性改进：首先，提出一种全新的深层通道-空间交互注意力机制(DCSM)，通过融合通道与空间特征信息，有效增强了模型的感知能力；其次，设计了一种多阶段跨层融合机制(MSFM)，显著提升了对小目标的检测性能；最后，采用先进的Wise-IoU损失函数替代原始YOLOv8中的损失函数，从而提高了模型的收敛速度和检测精度。

本文详细内容请下载：

https://www.chinaaet.com/resource/share/2000006967

作者信息：

柯威曳1，苏吉才1，齐腾涛1，王国相2

（1.浙江交投高速公路运营管理有限公司，浙江丽水 323000；

2.丽水学院商学院，浙江丽水 323000）

原创声明：此内容为AET网站原创，未经授权禁止转载。

相关内容