فيما يتعلق بكشف أهداف المركبات في ظروف جوية معقدة ، ونظرًا لوجود ضبابية الهدف وتعترف عنه السيارات الناتجة عن الكشف عن المركبات بدقة منخفضة بشكل ملحوظ ، فإنه يقدم خوارزمية كشف المركبة المحسنة YOLO-CGT في YOLOv8. تواجه الخوارزمية مشكلة في مشهد إدخال صور كاميرا السيارة ، من خلال إدخال تحسينات متعددة في هيكل YOLOv8 ، أدت إلى تحسين ملحوظ في استقرار الكشف في البيئات المعقدة. من بينها ، وحدة الاقتلاع المتعددة المقياس للبقايا ووضع C2f في الهيكل الأساسي السابق لشبكة الشبكة ، وذلك لزيادة استخدام المعلومات الأصلية وتقليل مشكلة اختفاء الجراد الناتجة عن عمق الشبكة. معلومات واسعة المجال. صمم رأس الكشف الديناميكي الخفيف لضمان التوازن بين دقة الكشف والكفاءة. إدخال مترابط النقاط الدقيقة الداخلية على مقياس الاتحاد أعلى (Inner-Minimum Points Distance Intersection over Union ، Inner-MPDIoU) لاستبدال IoU التقليدي ، للحد من مشكلة تداخل إطار الهدف. بعد التدريب والتحقق على مجموعة بيانات المركبات في الأحوال الجوية المعقدة ، أظهرت النتائج التجريبية أن متوسط دقة الكشف لهذه الطريقة بلغت 81.4٪ ، مما أدى إلى زيادة قدرها 6.3٪ ، وحجم المعلمات للنموذج هو 3.259 < inline-formula > < alternatives > × 10 ⁶ ، وحجم الحساب هو 9.7GFLOPs ، مما أدى إلى زيادة ملحوظة في الدقة مع الحفاظ على قدرة النموذج الخفيف على النشر. توفر هذه الطريقة في البحث ضمانًا قويًا لتشغيل نظام القيادة الآلية بأمان واستقرار.

نظام القيادة الآلية ؛ كشف المركبات ؛ YOLOv8 ؛ ظروف جوية معقدة ؛ ميزة متعددة المقياس