Autonomous vehicle detection in complex weather based on YOLO-CGT

WU Xiru; HAO Jiaqi; ZHAO Yibo; HE Jiarong; GE Shuya; LIANG Shiyi; WU Siming

doi:10.37188/OPE.20253319.3135

您当前的位置：

首页 >

文章列表页 >

Autonomous vehicle detection in complex weather based on YOLO-CGT

Information Sciences | 更新时间：2025-11-03

- Autonomous vehicle detection in complex weather based on YOLO-CGT
- Optics and Precision Engineering Vol. 33, Issue 19, Pages: 3135-3149(2025)
- 作者机构：
  
  1.桂林电子科技大学电子工程与自动化学院，广西桂林 541004
  2.桂林电子科技大学智能综合自动化广西高校重点实验室，广西桂林 541004
- 作者简介：
- 基金信息：
- DOI：10.37188/OPE.20253319.3135
  CLC： TP394.1;TP181
- CSTR：32169.14.OPE.20253319.3135
- Received：18 June 2025，
  
  Revised：2025-06-27，
  
  Published：10 October 2025
- 稿件说明：
移动端阅览
伍锡如,郝家琦,赵一波等.复杂天气条件下基于YOLO-CGT的自动驾驶车辆检测[J].光学精密工程,2025,33(19):3135-3149.

WU Xiru,HAO Jiaqi,ZHAO Yibo,et al.Autonomous vehicle detection in complex weather based on YOLO-CGT[J].Optics and Precision Engineering,2025,33(19):3135-3149.
伍锡如,郝家琦,赵一波等.复杂天气条件下基于YOLO-CGT的自动驾驶车辆检测[J].光学精密工程,2025,33(19):3135-3149. DOI： 10.37188/OPE.20253319.3135. CSTR： 32169.14.OPE.20253319.3135.

WU Xiru,HAO Jiaqi,ZHAO Yibo,et al.Autonomous vehicle detection in complex weather based on YOLO-CGT[J].Optics and Precision Engineering,2025,33(19):3135-3149. DOI： 10.37188/OPE.20253319.3135. CSTR： 32169.14.OPE.20253319.3135.

摘要

针对复杂天气条件下检测车辆目标时，因存在目标模糊及遮挡造成车辆检测精度明显下降的现象，提出一种改进YOLOv8的车辆检测算法YOLO-CGT。该算法面向车载摄像头图像输入场景，通过在YOLOv8结构中引入多项改进，显著提升了在复杂环境下的检测稳定性。其中，设计多尺度残差聚合模块替换原有主干网络结构中的C2f结构，用于增强原始信息的利用并减少网络深度带来的梯度消失问题；引入空间聚合模块，融合全局信息提取和局部信息感知；设计轻量级动态检测头，保证检测精度和

效率的平衡；引入内最小点距离交并比（Inner-Minimum Points Distance Intersection over Union，Inner-MPDIoU）度量替换传统IoU，以减少目标框重叠问题。在复杂天气条件下的车辆数据集上进行训练和验证后，实验结果显示，该方法的平均检测精度达到81.4%，提升了6.3%，模型参数量为3.259

https://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=92820772&type=

https://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=92820756&type=

2.20133328

2.37066650

，计算量为9.7GFLOPs，在精度显著提升的同时保证了模型的轻量部署能力。该研究方法为自动驾驶系统的安全稳定运行提供了有力保障。

Abstract

To mitigate the pronounced decline in vehicle detection performance caused by object blur and occlusion under adverse weather conditions， an enhanced YOLOv8-based vehicle detection algorithm， designated YOLO-CGT， is proposed. Tailored for vehicle-mounted camera imagery， the algorithm incorporates multiple enhancements to the YOLOv8 architecture to substantially improve detection robustness in challenging environments. Specifically， a multi-scale residual aggregation module replaces the original C2f module in the backbone network to increase exploitation of raw feature information and to alleviate gradient vanishing associated with greater network depth. A spatial aggregation module is incorporated to integrate global information extraction with local feature perception. Moreover， a lightweight dynamic detection head is developed to balance detection accuracy and computational efficiency. The conventional IoU metric is supplanted by the Inner-Minimum Points Distance Intersection over Union （Inner-MPDIoU） to reduce bounding-box overlap issues. Trained and validated on a vehicle dataset captured under complex weather conditions， the proposed method attains an average detection accuracy of 81.4%-an imp

rovement of 6.3%-with 3.259×10

model parameters and a computational cost of 9.7 GFLOPs， demonstrating suitability for lightweight deployment while delivering substantial accuracy gains. These results provide a robust foundation for the safe and reliable operation of autonomous driving systems.

关键词

Keywords

references

宗长富，代昌华，张东 . 智能汽车的人机共驾技术研究现状和发展趋势［J］. 中国公路学报， 2021 ， 34 （ 6 ）： 214 - 237 .

ZONG CH F ， DAI CH H ， ZHANG D . Human-machine interaction technology of intelligent vehicles： current development trends and future directions ［J］. China Journal of Highway and Transport ， 2021 ， 34 （ 6 ）： 214 - 237 . （in Chinese）

范丽丽，赵宏伟，赵浩宇，等 . 基于深度卷积神经网络的目标检测研究综述［J］. 光学精密工程， 2020 ， 28 （ 5 ）： 1152 - 1164 .

FAN L L ， ZHAO H W ， ZHAO H Y ， et al . Survey of target detection based on deep convolutional neural networks ［J］. Optics and Precision Engineering ， 2020 ， 28 （ 5 ）： 1152 - 1164 . （in Chinese）

王晶，黄智鑫，徐京邦，等 . 面向地下环境机器人的多模态目标检测方法［J］. 机器人， 2025 ， 47 （ 4 ）： 537 - 547 .

WANG J ， HUANG ZH X ， XU J B ， et al . A multimodal object detection method for robots in underground environments ［J］. Robot ， 2025 ， 47 （ 4 ）： 537 - 547 . （in Chinese）

WANG Z G ， ZHAN J ， DUAN C G ， et al . A review of vehicle detection techniques for intelligent vehicles ［J］. IEEE Transactions on Neural Networks and Learning Systems ， 2023 ， 34 （ 8 ）： 3811 - 3831 . doi: 10.1109/tnnls.2021.3128968 http://dx.doi.org/10.1109/tnnls.2021.3128968

王鑫，李鹏程，崔海华，等 . 面向机翼线缆支架的装配符合性视觉检测［J］. 光学精密工程， 2025 ， 33 （ 7 ）： 1130 - 1140 . doi: 10.37188/ope.20253307.1130 http://dx.doi.org/10.37188/ope.20253307.1130

WANG X ， LI P CH ， CUI H H ， et al . Visual inspection for assembly conformity of wing cable brackets ［J］. Optics and Precision Engineering ， 2025 ， 33 （ 7 ）： 1130 - 1140 . （in Chinese） . doi: 10.37188/ope.20253307.1130 http://dx.doi.org/10.37188/ope.20253307.1130

REN S Q ， HE K M ， GIRSHICK R ， et al . Faster R-CNN： towards real-time object detection with region proposal networks ［J］. IEEE Transactions on Pattern Analysis and Machine Intelligence ， 2017 ， 39 （ 6 ）： 1137 - 1149 . doi: 10.1109/tpami.2016.2577031 http://dx.doi.org/10.1109/tpami.2016.2577031

BHARATI P ， PRAMANIK A . Deep learning techniques： R-CNN to mask R-CNN： a survey ［C］. Computational Intelligence in Pattern Recognition. Singapore ： Springer ， 2020 ： 657 - 668 . doi: 10.1007/978-981-13-9042-5_56 http://dx.doi.org/10.1007/978-981-13-9042-5_56

CAI Z W ， VASCONCELOS N . Cascade R-CNN： high quality object detection and instance segmentation ［J］. IEEE Transactions on Pattern Analysis and Machine Intelligence ， 2021 ， 43 （ 5 ）： 1483 - 1498 . doi: 10.1109/tpami.2019.2956516 http://dx.doi.org/10.1109/tpami.2019.2956516

JI H ， GAO Z ， MEI T C ， et al . Improved faster R-CNN with multiscale feature fusion and homography augmentation for vehicle detection in remote sensing images ［J］. IEEE Geoscience and Remote Sensing Letters ， 2019 ， 16 （ 11 ）： 1761 - 1765 . doi: 10.1109/lgrs.2019.2909541 http://dx.doi.org/10.1109/lgrs.2019.2909541

石杰，周亚丽，张奇志 . 基于改进Mask RCNN和Kinect的服务机器人物品识别系统［J］. 仪器仪表学报， 2019 ， 40 （ 4 ）： 216 - 228 .

SHI J ， ZHOU Y L ， ZHANG Q ZH . Service robot item recognition system based on improved Mask RCNN and Kinect ［J］. Chinese Journal of Scientific Instrument ， 2019 ， 40 （ 4 ）： 216 - 228 . （in Chinese）

李松江，吴宁，王鹏，等 . 基于改进Cascade RCNN的车辆目标检测方法［J］. 计算机工程与应用， 2021 ， 57 （ 5 ）： 123 - 130 .

LI S J ， WU N ， WANG P ， et al . Vehicle target detection method based on improved cascade RCNN ［J］. Computer Engineering and Applications ， 2021 ， 57 （ 5 ）： 123 - 130 . （in Chinese）

蒋弘毅，王永娟，康锦煜 . 目标检测模型及其优化方法综述［J］. 自动化学报， 2021 ， 47 （ 6 ）： 1232 - 1255 . doi: 10.16383/j.aas.c190756 http://dx.doi.org/10.16383/j.aas.c190756

JIANG H Y ， WANG Y J ， KANG J Y . A survey of object detection models and its optimization methods ［J］. Acta Automatica Sinica ， 2021 ， 47 （ 6 ）： 1232 - 1255 . （in Chinese） . doi: 10.16383/j.aas.c190756 http://dx.doi.org/10.16383/j.aas.c190756

米增，连哲 . 面向通用目标检测的YOLO方法研究综述［J］. 计算机工程与应用， 2024 ， 60 （ 21 ）： 38 - 54 .

MI Z ， LIAN ZH . Review of YOLO methods for universal object detection ［J］. Computer Engineering and Applications ， 2024 ， 60 （ 21 ）： 38 - 54 . （in Chinese）

陈家栋，雷斌 . 基于改进SSD轻量化的交通路口目标检测［J］. 传感器与微系统， 2022 ， 41 （ 10 ）： 117 - 121， 126 .

CHEN J D ， LEI B . Traffic intersection target detection based on improved SSD lightweight ［J］. Transducer and Microsystem Technologies ， 2022 ， 41 （ 10 ）： 117 - 121， 126 . （in Chinese）

王佳琪，张淇，黄巍 . 不同光照下多模态注意力融合的车辆检测［J］. 计算机工程与应用， 2024 ， 60 （ 16 ）： 116 - 123 .

WANG J Q ， ZHANG Q ， HUANG W . Vehicle detection of multi-modal attention fusion under different illumination ［J］. Computer Engineering and Applications ， 2024 ， 60 （ 16 ）： 116 - 123 . （in Chinese）

LIU L C ， SONG X Y ， SONG H S ， et al . Yolo-3DMM for simultaneous multiple object detection and tracking in traffic scenarios ［J］. IEEE Transactions on Intelligent Transportation Systems ， 2024 ， 25 （ 8 ）： 9467 - 9481 . doi: 10.1109/tits.2024.3360875 http://dx.doi.org/10.1109/tits.2024.3360875

胡丹丹，张忠婷 . 基于改进YOLOv5s的面向自动驾驶场景的道路目标检测算法［J］. 智能系统学报， 2024 ， 19 （ 3 ）： 653 - 660 .

HU D D ， ZHANG ZH T . Road target detection algorithm for autonomous driving scenarios based on improved YOLOv5s ［J］. CAAI Transactions on Intelligent Systems ， 2024 ， 19 （ 3 ）： 653 - 660 . （in Chinese）

郭翠霞，徐永涛，邹章煌，等 . 基于可见和红外双模态融合的轻量化行人车辆检测算法［J］. 光子学报， 2025 ， 54 （ 6 ）： 153 - 166 .

GUO C X ， XU Y T ， ZOU ZH H ， et al . Lightweight pedestrian vehicle detection algorithm based on visible and infrared bimodal fusion ［J］. Acta Photonica Sinica ， 2025 ， 54 （ 6 ）： 153 - 166 . （in Chinese）

赵海丽，许修常，潘宇航 . 基于改进YOLOv7-tiny的车辆目标检测算法［J］. 兵工学报， 2025 ， 46 （ 4 ）： 103 - 113 .

ZHAO H L ， XU X CH ， PAN Y H . Vehicle target detection algorithm based on improved YOLOv7-tiny ［J］. Acta Armamentarii ， 2025 ， 46 （ 4 ）： 103 - 113 . （in Chinese）

寇发荣，吕庚毅，谢伟华，等 . 基于改进YOLOv8的煤矿井下无人运输车辆目标检测研究［J/OL］. 煤炭学报， 2025 ： 1 - 13 . （ 2025-05-20 ）. https：//link.cnki.net/doi/10.13225/j.cnki.jccs.2025. 0194 https://link.cnki.net/doi/10.13225/j.cnki.jccs.2025.0194 .

KOU F R ， LÜ G Y ， XIE W H ， et al . Research on target detection of unmanned vehicles in coal mines based on improved YOLOv8 ［J/OL］. Journal of China Coal Society ， 2025 ： 1 - 13 . （ 2025-05-20 ）. https：//link.cnki.net/doi/10.13225/j.cnki.jccs.2025.0194. https://link.cnki.net/doi/10.13225/j.cnki.jccs.2025.0194. （in Chinese）

江旺玉，王乐，姚叶鹏，等 . 多尺度特征聚合扩散和边缘信息增强的小目标检测算法［J］. 计算机工程与应用， 2025 ， 61 （ 7 ）： 105 - 116 .

JIANG W Y ， WANG L ， YAO Y P ， et al . Multi-scale feature aggregation diffusion and edge information enhancement small object detection algorithm ［J］. Computer Engineering and Applications ， 2025 ， 61 （ 7 ）： 105 - 116 . （in Chinese）

杜宏，顾宸瑜，张孝峥，等 . 基于YOLOv10-vehicle算法的复杂天气情况下车辆目标检测方法［J/OL］. 吉林大学学报（工学版）， 2025 ： 1 - 10 . （ 2025-01-16 ）. https：//link.cnki.net/doi/10.13229/j.cnki.jdxbgxb.20250016 https://link.cnki.net/doi/10.13229/j.cnki.jdxbgxb.20250016 .

DU H ， GU CH Y ， ZHANG X ZH ， et al . Vehicle target detection method based on the YOLOv10-vehicle algorithm under complex weather conditions ［J/OL］. Journal of Jilin University （Engineering and Technology Edition）， 2025 ： 1 - 10 . （ 2025-01-16 ）. https：//link.cnki.net/doi/10.13229/j.cnki.jdxbgxb.20250016. https://link.cnki.net/doi/10.13229/j.cnki.jdxbgxb.20250016. （in Chinese）

卜祥涛，宋亚芳，王晓宇，等 . 面向多模式图像的改进暗通道先验去雾增强［J］. 光学精密工程， 2025 ， 33 （ 13 ）： 2124 - 2135 .

BU X T ， SONG Y F ， WANG X Y ， et al . Improved dark channel prior dehazing enhancement for multi-modal images ［J］. Optics and Precision Engineering ， 2025 ， 33 （ 13 ）： 2124 - 2135 . （in Chinese）

ZHAO Y A ， LV W Y ， XU S L ， et al . DETRs beat YOLOs on real-time object detection ［C］. 2024 IEEE/CVF Conference on Computer Vision and Pattern Recognition （CVPR）. 16-22，2024 ， Seattle， WA， USA. IEEE ， 2024 ： 16965 - 16974 . doi: 10.1109/cvpr52733.2024.01605 http://dx.doi.org/10.1109/cvpr52733.2024.01605

LIN T Y ， GOYAL P ， GIRSHICK R ， et al . Focal loss for dense object detection ［J］. IEEE Transactions on Pattern Analysis and Machine Intelligence ， 2020 ， 42 （ 2 ）： 318 - 327 . doi: 10.1109/tpami.2018.2858826 http://dx.doi.org/10.1109/tpami.2018.2858826

LIN T Y ， DOLLÁR P ， GIRSHICK R ， et al . Feature pyramid networks for object detection ［C］. 2017 IEEE Conference on Computer Vision and Pattern Recognition （CVPR）. 21-26，2017 ， Honolulu， HI， USA. IEEE ， 2017 ： 936 - 944 . doi: 10.1109/cvpr.2017.106 http://dx.doi.org/10.1109/cvpr.2017.106

PIAO Y R ， JIANG Y Y ， ZHANG M ， et al . PANet： patch-aware network for light field salient object detection ［J］. IEEE Transactions on Cybernetics ， 2023 ， 53 （ 1 ）： 379 - 391 . doi: 10.1109/tcyb.2021.3095512 http://dx.doi.org/10.1109/tcyb.2021.3095512

TANG F L ， XU Z X ， HUANG Q M ， et al . DuAT ： Dual - aggregation Transformer Network for Medical Image Segmentation ［M］. Pattern Recognition and Computer Vision . Singapore ： Springer Nature Singapore ， 2023 ： 343 - 356 . doi: 10.1007/978-981-99-8469-5_27 http://dx.doi.org/10.1007/978-981-99-8469-5_27

ZHU X Z ， HU H ， LIN S ， et al . Deformable ConvNets V2： more deformable， better results ［C］. 2019 IEEE/CVF Conference on Computer Vision and Pattern Recognition （CVPR）. 15-20，2019 ， Long Beach， CA， USA. IEEE ， 2019 ： 9300 - 9308 . doi: 10.1109/cvpr.2019.00953 http://dx.doi.org/10.1109/cvpr.2019.00953

Views

下载量

CSCD

Alert me when the article has been cited

提交

Tools

Publicity Resources

Improvement of YOLOv8 for multi-scale defect detection in wind turbine blades

Integrating global information and dual-domain attention mechanism for optical remote sensing aircraft target detection

Related Author

ZHU Guang

GU Chen

ZHANG Yonghua

ZHANG Xu

DING Zhengyang

SHI Yanqiong

XU Liyun

ZHANG Xue

Related Institution

School of Mechanical and Electrical Engineering， Anhui Jianzhu University

School of Mechanical Engineering， Tongji University

School of Advanced Manufacturing，Fuzhou University

Fujian Science and Technology Innovation Laboratory for Photoelectric Information

College of Physics and Information Engineering， Fuzhou University

AI问答

Address：No.3888 Dong Nanhu Road, Changchun, Jilin, China Postal code：130033
Tel：0431-86176855 Email：gxjmgc@ciomp.ac.cn
Technical support is provided by Beijing Founder electronics co., LTD 吉ICP备11002662号-17 京公网安备11010802024621
It is recommended to read the content of this site in Chrome&IE9+. Please switch to extreme mode in browser 360.
Cookies We use cookies to help provide and enhance our service and tailor content. By continuing, you agree to the use of cookies.

⁰