基于YOLOv10n的雾天无人驾驶场景下目标检测方法OA
针对雾天无人驾驶场景检测精度低、漏检严重等问题,本文提出一种融合雾天数据增强与改进YOLOv10n的目标检测方法.首先,基于大气散射模型,结合多尺度Perlin噪声构建雾效生成模型,模拟不同浓度和空间分布的雾天场景,扩充训练样本多样性.其次,在YOLOv10n中使用CARAFE内容感知上采样算子,增强多尺度特征的空间重建能力;并将MLCA混合局部通道注意力机制嵌入C2f模块,提升模型对雾天弱目标特征的表达能力.最后,采用Wise-IoU损失函数优化边界框回归,提高复杂雾天场景下的目标定位精度.结果表明,改进后的MSI-YOLOv10n在合成的Fog-KITTI和真实的Real-Fog数据集上的Precision分别提升了2.5%和2.9%,mAP@0.5分别提升了1.5%和1.8%.模型参数量和计算量分别为2.82 M和8.5 GFLOPs,在两个数据集上的推理速度分别为117.2 FPS和114.3 FPS,表明所提方法在提升雾天目标检测精度的同时,保持了较低的计算开销和较好的实时推理能力.
彭金威;路红
南京工程学院自动化学院,江苏南京211167南京工程学院自动化学院,江苏南京211167
信息技术与安全科学
雾天无人驾驶CARAFE局部通道注意力机制目标检测深度学习
《陕西科技大学学报》 2026 (5)
P.185-194,10
江苏省自然科学基金项目(BK20201043)。
评论