複雑な気象条件下で車両ターゲットを検出する際、ターゲットのぼやけや遮蔽により車両検出精度が著しく低下する現象に着目し、改善されたYOLOv8ベースの車両検出アルゴリズムYOLO-CGTを提案する。本アルゴリズムは車載カメラ画像入力シーンを対象とし、YOLOv8構造に複数の改良を導入することで複雑な環境下での検出の安定性を大幅に向上させた。元のバックボーンネットワーク構造のC2f構造を置き換える多尺度残差集約モジュールを設計し、元情報の活用を強化しネットワークの深さによる勾配消失問題を軽減した；空間集約モジュールを導入し、グローバル情報の抽出とローカル情報の感知を融合；軽量の動的検出ヘッドを設計し、検出精度と効率のバランスを確保；内部最小点距離交差率（Inner-Minimum Points Distance Intersection over Union、Inner-MPDIoU）を導入し、従来のIoUを置き換えてターゲットボックスの重なり問題を軽減した。複雑な気象条件下の車両データセットで訓練および検証を行った結果、実験結果は平均検出精度が81.4％に達し6.3％向上し、モデルパラメータ数は3.259×10^6、計算量は9.7GFLOPsであり、精度を大幅に向上させながらモデルの軽量展開能力を確保した。本研究手法は自動運転システムの安全で安定した稼働を強力に支える。

自動運転; 車両検出; YOLOv8; 複雑な気象; マルチスケール特徴