一种基于改进YOLOv8n网络的车辆检测方法及系统技术方案

本发明专利技术提出一种基于改进YOLOv8n网络的车辆检测方法及系统，将RFAConv模块部署于浅层特征提取部分，使其更专注于细节特征捕捉，浅层卷积中特征图分辨率较高，结合RFAConv模块的动态感受野机制，可在特征提取初期增强模型对车辆边缘、纹理等关键细节的关注度，尤其适用于车辆检测中检测小目标和部分遮挡目标；将EMA模块用于颈部网络部分，专注于最终特征优化和多尺度特征的精准融合，颈部网络是最终生成目标检测结果的关键阶段，通过引入EMA模块的多尺度并行卷积和跨空间学习机制，可进一步优化目标区域的特征表达，提升对复杂背景和多车道场景的适应性。

【技术实现步骤摘要】

本专利技术属于车辆检测，尤其涉及一种基于改进yolov8n网络的车辆检测方法及系统。

技术介绍

1、本部分的陈述仅仅是提供了与本专利技术相关的
技术介绍
信息，不必然构成在先技术。

2、计算机视觉技术的发展使得基于视频的车辆检测成为了可能。虽然，目前已经有很多目标检测算法(cnn、yolo系列)等应用于车辆目标检测，但由于视频质量的原因，实际应用中的车辆目标检测识别仍面临多重挑战。

3、比如，许多模型在远距离或小尺寸车辆的检测中表现不足，尤其在复杂背景下容易遗漏关键目标。此外，交通场景中的车辆大小和形态变化显著，现有模型在小目标和多尺度检测中表现不足，尤其在复杂场景下因遮挡、光照变化或背景干扰(如标线、行人)而导致检测精度下降。同时，高精度模型往往计算开销较大，难以满足实时性要求。

技术实现思路

1、为克服上述现有技术的不足，本专利技术提供了一种基于改进yolov8n网络的车辆检测方法及系统，通过rfaconv模块和ema模块来改进yolov8n网络，能够突出车辆区域的关键特征，同时弱化背本文档来自技高网...

【技术保护点】

1.一种基于改进YOLOv8n网络的车辆检测方法，其特征在于，包括：

2.如权利要求1所述的一种基于改进YOLOv8n网络的车辆检测方法，其特征在于，在浅层特征提取部分，利用RFAConv模块通过动态调整感受野和跨特征加权机制，增强对车辆关键细节特征的关注度，具体为：

3.如权利要求1所述的一种基于改进YOLOv8n网络的车辆检测方法，其特征在于，在颈部网络部分，利用EMA模块的多尺度并行卷积和跨空间学习机制，捕捉不同车辆的特征信息，具体为：

4.如权利要求1所述的一种基于改进YOLOv8n网络的车辆检测方法，其特征在于，通过多尺度分支分别捕捉车辆的局...

【技术特征摘要】

1.一种基于改进yolov8n网络的车辆检测方法，其特征在于，包括：

2.如权利要求1所述的一种基于改进yolov8n网络的车辆检测方法，其特征在于，在浅层特征提取部分，利用rfaconv模块通过动态调整感受野和跨特征加权机制，增强对车辆关键细节特征的关注度，具体为：

3.如权利要求1所述的一种基于改进yolov8n网络的车辆检测方法，其特征在于，在颈部网络部分，利用ema模块的多尺度并行卷积和跨空间学习机制，捕捉不同车辆的特征信息，具体为：

4.如权利要求1所述的一种基于改进yolov8n网络的车辆检测方法，其特征在于，通过多尺度分支分别捕捉车辆的局部细节和全局上下文信息，具体为：采用1×1卷积分支和3×3卷积分支，分别用于捕捉局部细节和全局上下文信息。

5.如权利要求1或2所述的一种基于改进yolov8n网络的车辆检测方法，其特征在于，利用rfaconv模块动态调整感受野的权重，强化细节特征的捕捉能力，精细地提取车...

【专利技术属性】
技术研发人员：王旭，李彦震，马菲，
申请(专利权)人：山东大学，
类型：发明
国别省市：