基于改进YOLOv8的电梯内电动车识别方法技术

本发明专利技术公开了基于改进YOLOv8的电梯内电动车识别方法，包括如下步骤：采集电动车入梯图像；构建电动车识别模型，电动车识别模型由特征提取骨干网络模块、聚合颈部网络模块、多维协作注意力模块和候选框预测模块组成；采用特征提取骨干网络模块提取采集的图像的不同分辨率的特征图；并通过聚合颈部网络模块进行融合，将融合后的特征图输入多维协作注意力模块，生成多维加权特征图；将多维加权特征图输入候选框预测模块中生成最终预测输出；本发明专利技术通过设计局部聚合模块并将其引入聚合颈部网络模块中，通过分层级特征聚合可使得电动车识别模型在复杂场景中表现更佳，对电梯内小型电动车和电动车边缘细节的识别能力显著提升。

【技术实现步骤摘要】

本专利技术涉及图像识别，具体为基于改进yolov8的电梯内电动车识别方法。

技术介绍

1、随着城市化建设的不断推进，越来越多的小区居民楼安装了电梯。与此同时，电动车的普及也带来了便利，但因电动车进入电梯而引发的安全事故频发。电动车在骑行后，电池和电机温度较高，而电梯内空间狭小、空气流通不畅。当电动车进入电梯时，车辆容易与电梯门或侧壁发生磕碰，这种撞击很可能引发电动车自燃甚至爆炸。因此，为了防止电动车进入电梯引发安全事故，有必要在电梯内识别电动车，提前采取预防措施，确保居民的出行安全。

2、针对电动车进入电梯的问题，目前传统的识别手段有物理阻车、重量传感器识别和视觉识别。物理阻车是在电梯入口处人工设置阻拦电动车的栏杆。然而，这种方式不仅会限制电动车的进入，也会阻挡自行车、儿童车等其他出行工具，带来不便且代价过高；重量传感器通过测量电梯内的重量来识别电动车，但在乘客较多的情况下，该方法可能无法精确判断是否有电动车进入。相比之下，视觉识别方法利用计算机视觉技术和深度学习方法，通过摄像头捕捉电动车的图像，并通过图像处理算法识别电动车的特征。这种方法准确本文档来自技高网...

【技术保护点】

1.基于改进YOLOv8的电梯内电动车识别方法，其特征在于，包括如下步骤：

2.根据权利要求1所述的基于改进YOLOv8的电梯内电动车识别方法，其特征在于：聚合颈部网络模块由第一局部聚合模块、第二局部聚合模块、第三局部聚合模块、第四局部聚合模块、第一群组交换卷积块、第二群组交换卷积块和第三群组交换卷积块组成；

3.根据权利要求2所述的基于改进YOLOv8的电梯内电动车识别方法，其特征在于：特征提取骨干网络模块由依次连接的第一卷积层、第二卷积层、第一特征融合拼接层、第三卷积层、第二特征融合拼接层、第四卷积层、第三特征融合拼接层、第五卷积层、第四特征融合拼接层和池化层...

【技术特征摘要】

1.基于改进yolov8的电梯内电动车识别方法，其特征在于，包括如下步骤：

2.根据权利要求1所述的基于改进yolov8的电梯内电动车识别方法，其特征在于：聚合颈部网络模块由第一局部聚合模块、第二局部聚合模块、第三局部聚合模块、第四局部聚合模块、第一群组交换卷积块、第二群组交换卷积块和第三群组交换卷积块组成；

3.根据权利要求2所述的基于改进yolov8的电梯内电动车识别方法，其特征在于：特征提取骨干网络模块由依次连接的第一卷积层、第二卷积层、第一特征融合拼接层、第三卷积层、第二特征融合拼接层、第四卷积层、第三特征融合拼接层、第五卷积层、第四特征融合拼接层和池化层组成；其中，第一卷积层、第二卷积层、第三卷积层、第四卷积层和第五卷积层结构相同；第一特征融合拼接层、第二特征融合拼接层和第三特征融合拼接层结构相同。

4.根据权利要求3所述的基于改进yolov8的电梯内电动车识别方法，其特征在于：特征提取骨干网络模块的处理流程为：输入图像即电动车入梯图像依次经过第一卷积层、第二卷积层、第一特征融合拼接层、第三卷积层、第二特征融合拼接层、第四卷积层、第三特征融合拼接层、第五卷积层、第四特征融合拼接层和池化层，其中，第二特征融合拼接层的输出即为高分辨率电动车入梯特征图xb，第三特征融合拼接层的输出即为中分辨率电动车入梯特征图xm，池化层的输出即为低分辨率电动车...

【专利技术属性】
技术研发人员：王晓庆，陈云龙，颜昌宇，王岚清，罗文兵，王涛，刘振桢，杜嘉诚，
申请(专利权)人：江西师范大学，
类型：发明
国别省市：