基于改进YOLOv8的大件货物运输目标障碍物检测方法

Abstract

大件货物运输过程中障碍物类型多样、环境复杂，传统目标检测算法在识别精度和实时性方面存在不足。为实现复杂运输场景下障碍物的快速、精准识别，本文在YOLOv8模型基础上进行了结构改进。通过在Backbone与Neck层引入多残差模块（MRM）、FasterC2f模块（含部分卷积PConv）和空间注意力机制（SA），分别提升特征提取能力、优化特征融合效率并强化显著区域响应。基于自建大件运输障碍物数据集开展系统的消融实验与对比实验。实验结果表明，改进模型在mAP@0.5和mAP@0.5:0.95上分别提升4.4%和7.5%，F1值提高4个百分点；与YOLOv5、YOLOv7、Faster R-CNN等主流算法相比，改进YOLOv8的mAP@0.5达0.911，mAP@0.5:0.95为0.712，推理速度提升至108帧/秒。研究表明，本文提出的改进YOLOv8模型在检测精度、实时性及鲁棒性方面均显著优于传统算法，能够有效应对光照变化、遮挡及多尺度目标检测任务，为大件运输障碍物的智能识别与安全监测提供了高效可靠的技术支撑。