交通异常事件检测是智能交通系统中的关键任务,但现有目标检测算法在该领域的应用尚存在技术瓶颈,针对检测精度不足、模型对复杂场景的适应性差以及缺乏高质量的公开数据集等问题,提出了一种改进的YOLOv6模型,旨在提高交通异常事件(如...交通异常事件检测是智能交通系统中的关键任务,但现有目标检测算法在该领域的应用尚存在技术瓶颈,针对检测精度不足、模型对复杂场景的适应性差以及缺乏高质量的公开数据集等问题,提出了一种改进的YOLOv6模型,旨在提高交通异常事件(如车辆碰撞、单车冲撞和车辆起火)检测的准确性和性能。先将原YOLOv6模型中的损失函数替换为CIoU损失函数,以增强模型的定位精度,后引入CBAM注意力机制,以提高模型对关键特征的关注度,再采用自动混合精度训练策略优化训练过程,最后为了验证改进效果,通过游戏引擎Grand Theft Auto V生成数据集,并对其进行标注,涵盖3类交通异常事件。试验结果表明:1)提出的改进YOLOv6模型在交通异常事件的检测任务中可获得87.2%的平均检测精度,在各项指标上表现优异;2)召回率AR较次优模型提高2.1%,IoU阈值为0.5时,平均精度mAP高出2.6%;IoU阈值为0.5至0.95时,mAP增长3.7%;3)车辆相撞、单车相撞和车辆起火烧毁的精度分别达到79.9%、37.6%和65.6%,均优于次优模型,验证了改进方法的有效性。展开更多
文摘交通异常事件检测是智能交通系统中的关键任务,但现有目标检测算法在该领域的应用尚存在技术瓶颈,针对检测精度不足、模型对复杂场景的适应性差以及缺乏高质量的公开数据集等问题,提出了一种改进的YOLOv6模型,旨在提高交通异常事件(如车辆碰撞、单车冲撞和车辆起火)检测的准确性和性能。先将原YOLOv6模型中的损失函数替换为CIoU损失函数,以增强模型的定位精度,后引入CBAM注意力机制,以提高模型对关键特征的关注度,再采用自动混合精度训练策略优化训练过程,最后为了验证改进效果,通过游戏引擎Grand Theft Auto V生成数据集,并对其进行标注,涵盖3类交通异常事件。试验结果表明:1)提出的改进YOLOv6模型在交通异常事件的检测任务中可获得87.2%的平均检测精度,在各项指标上表现优异;2)召回率AR较次优模型提高2.1%,IoU阈值为0.5时,平均精度mAP高出2.6%;IoU阈值为0.5至0.95时,mAP增长3.7%;3)车辆相撞、单车相撞和车辆起火烧毁的精度分别达到79.9%、37.6%和65.6%,均优于次优模型,验证了改进方法的有效性。
