基于YOLOv8-BCC的轻量化目标检测模型提升城市交通安全研究

作者及机构
本研究的核心作者团队来自广州新华大学信息与智能工程学院，包括Jun Tang（通讯作者：tiger.tang@foxmail.com）、Weizhi Yang、Jinwei Luo、Caixian Ye、Lijun Xu及Hantao Chen。研究成果发表于2025年IEEE第六届人工智能、网络与信息技术国际研讨会（AINIT），会议论文编号DOI:10.1109/AINIT65432.2025.110349990。

学术背景与研究动机
随着城市化进程加速，传统交通管理系统难以应对日益复杂的城市交通需求。智能交通系统（ITS）依赖计算机视觉与深度学习技术提升交通流管理效率，但现有方法在小目标（如行人、自行车、交通标志）检测中存在精度低、实时性差等问题。为此，研究团队提出YOLOv8-BCC算法，结合CBAM（Convolutional Block Attention Module，卷积块注意力模块）与BiFPN（Bidirectional Feature Pyramid Network，双向特征金字塔网络）技术，旨在提升城市交通场景下的目标检测准确性、实时性及环境适应性。

研究方法与流程
1. 算法设计
- 网络架构：YOLOv8-BCC基于YOLOv8框架改进，引入5个CBAM模块于检测头部，通过通道与空间注意力机制动态优化特征权重（公式1-3），抑制背景干扰；集成BiFPN结构（公式4-8），实现多尺度特征双向融合，增强小目标检测能力。
- 创新点：
- CBAM模块：通过平均池化（AvgPool）与最大池化（MaxPool）生成通道注意力图（Mc）与空间注意力图（Ms），加权融合后输出优化特征（O）。
- BiFPN路径：结合自上而下与自下而上特征融合（图3），通过上采样（Upsampling）与下采样（Downsampling）调整分辨率，残差连接（Fres）强化特征表达。

1. 实验设置

   • 数据集：采用BDD100K（10万+高分辨率图像）与Nexet（高分辨率视频序列）数据集，覆盖多样交通场景（昼夜、天气变化等）。
     
   • 预处理：数据划分为60%训练集、20%验证集与20%测试集，应用随机旋转、翻转、裁剪等增强技术，像素值归一化至[0,1]。
     
   • 训练参数：使用Adam优化器（学习率0.001），批量大小64，权重衰减0.001，训练300轮，模型参数量938万，层数252。
     

2. 性能评估

   • 对比实验：在BDD100K数据集上，YOLOv8-BCC的精确度（Precision）达75.54%，显著高于SSD（61.90%）、Faster-RCNN（67.49%）及基线YOLOv8n（73.82%）；实时性（FPS）为69帧/秒，优于同类模型（表1）。
     
   • 消融实验（表2）：单独使用CBAM或BiFPN时，精确度分别提升至69.86%与70.34%；二者结合后，性能进一步优化至75.54%，验证模块协同效应。
     

主要结果与结论
1. 性能优势：YOLOv8-BCC在复杂场景（如遮挡、光照变化）中表现出更强的鲁棒性（图4），其MAP@0.5（平均精度）达75.24%（BDD100K）与74.04%（Nexet），较基线模型提升约5%。
2. 技术贡献：
- 提出轻量化级联融合网络，通过CBAM与BiFPN的协同设计，解决多尺度检测与小目标识别难题。
- 为城市智能交通系统提供高精度、低延迟的检测方案，支持实时交通监控与事故预警。

研究价值与亮点
- 科学价值：首次将CBAM与BiFPN深度融合至YOLOv8框架，为小目标检测提供新方法学参考。
- 应用价值：模型在极端天气（如雨雾）下的性能仍需优化，未来可通过多模态数据融合（如雷达与红外）进一步提升适应性。
- 创新性：
- 方法创新：双向加权特征路径与注意力机制的联合优化，显著提升模型对动态交通场景的泛化能力。
- 工程意义：实验验证模型在嵌入式设备（如交通摄像头）中的部署可行性，帧率满足实时处理需求。

资助与展望
本研究获广州新华大学粤嵌信息技术产业学院项目（2023CYXY003）、教育部产学合作项目（2409052135136）及广东省重点学科科研能力提升项目（2021ZDJS144、2022ZDJS151）支持。未来工作将聚焦于极端环境下的模型鲁棒性增强，并探索Transformer等新兴技术的集成应用。

参考文献
引用文献23篇，涵盖SSD、Faster-RCNN、YOLO系列等对比方法，及BDD100K、Nexet数据集相关研究（如[18][19]），凸显研究的理论基础与前沿性。