При обнаружении целей автомобилей в сложных погодных условиях из-за размытости цели и заслонения, что приводит к значительному снижению точности обнаружения автомобилей, представлен усовершенствованный алгоритм обнаружения автомобилей YOLO-CGT на основе YOLOv8. Этот алгоритм сталкивается с проблемой ввода изображений с камер автомобилей, благодаря введению нескольких улучшений в структуру YOLOv8, что привело к значительному улучшению стабильности обнаружения в сложных средах. Среди них, многошкальный модуль сбора остатков заменяет изначальную структуру основной сети C2f для увеличения использования первоначальной информации и уменьшения проблемы исчезновения градиента, вызванной глубиной сети; введение пространственного модуля слияния, объединяющего глобальную информацию извлечения и локальную информацию восприятия; разработка легковесного динамического обнаружения головы для обеспечения баланса между точностью обнаружения и эффективностью. Введение обратных внутренних минимальных точек на масштаб объединения (Inner-Minimum Points Distance Intersection over Union, Inner-MPDIoU) для замены традиционного IoU, для уменьшения проблемы пересечения прямоугольных рамок. После тренировки и проверки на наборе данных автомобилей в сложных погодных условиях, экспериментальные результаты показали, что средняя точность обнаружения этого метода составляет 81,4%, что увеличивается на 6,3%, и объем параметров модели составляет 3,259 < inline-formula > < alternatives > × 10⁶, а объем вычислений составляет 9,7GFLOPs, что приводит к значительному улучшению точности и при этом обеспечивает легкую возможность развертывания модели. Этот метод в исследовании обеспечивает крепкое обеспечение для безопасной и стабильной работы системы автоматического вождения.

автоматическое вождение; обнаружение автомобилей; YOLOv8; сложные погодные условия; многомасштабные характеристики