基于改进YOLOv8n的隧道内异物检测算法

doi:10.11772/j.issn.1001-9081.2024020225

《计算机应用》唯一官方网站 ›› 2025, Vol. 45 ›› Issue (2): 655-661.DOI: 10.11772/j.issn.1001-9081.2024020225

• 多媒体计算与计算机仿真 • 上一篇

基于改进YOLOv8n的隧道内异物检测算法

桂佳扬¹, 王顺吉¹, 周正康², 唐加山¹()

^1.南京邮电大学理学院，南京 210023
^2.南京城建隧桥智慧管理有限公司，南京 211800

收稿日期:2024-03-04 修回日期:2024-04-09 接受日期:2024-04-15 发布日期:2024-06-04 出版日期:2025-02-10
通讯作者: 唐加山
作者简介:桂佳扬（1998—），女，河南平顶山人，硕士研究生，主要研究方向：计算机视觉、目标检测
王顺吉（1996—），男，江苏宿迁人，博士研究生，主要研究方向：模式识别、结构方程模型
周正康（1968—），男，安徽池州人，教授，硕士，主要研究方向：智慧城市管理、数据科学；
基金资助:
南京邮电大学横向科研项目（2023外221）

Tunnel foreign object detection algorithm based on improved YOLOv8n

Jiayang GUI¹, Shunji WANG¹, Zhengkang ZHOU², Jiashan TANG¹()

^1.College of Science，Nanjing University of Posts and Telecommunications，Nanjing Jiangsu 210023，China
^2.Nanjing Urban Construction Tunnel and Bridge Intelligent Management Company Limited，Nanjing Jiangsu 211800，China

Received:2024-03-04 Revised:2024-04-09 Accepted:2024-04-15 Online:2024-06-04 Published:2025-02-10
Contact: Jiashan TANG
About author:GUI Jiayang， born in 1998， M. S. candidate. Her research interests include computer vision， object detection.
WANG Shunji， born in 1996， Ph. D. candidate. His research interests include pattern recognition， structural equation model.
ZHOU Zhengkang， born in 1968， M. S.， professor. His research interests include smart city management， data science.
Supported by:
Horizontal Research Project of Nanjing University of Posts and Telecommunications(2023W221)

摘要/Abstract

摘要：

针对当前隧道内异物检测存在人工巡检成本高、效率低等问题，提出一种基于改进YOLOv8n的隧道内异物检测算法。首先，提出融入坐标注意力（CA）机制的C2f_CA模块，通过将位置信息嵌入通道注意力，增强网络对图像在空间上的特征分布的关注，从而增强网络的特征提取能力；其次，借鉴高分辨率网络的思想，提出新的特征融合模块HRNet_Fusion（High Resolution Net）将提取的不同分辨率特征图作为4个并行分支输入网络，并经过多次上、下采样和融合操作得到全面且准确的特征信息，从而显著提升在小目标检测和特征信息融合方面的性能；最后，引入WIoU（Wise-IoU）损失函数降低低质量样本对网络的不良梯度影响，进一步提高模型的检测精度。实验结果表明，在隧道异物数据集上，改进算法的平均精度均值（mAP@0.5）为79.9%，模型大小为6.0 MB，与YOLOv8n算法相比，mAP@0.5提升了6个百分点，模型大小减少了0.2 MB，模型参数量减少了0.379×10⁶。

关键词: 目标检测, 异物检测, YOLOv8n, 坐标注意力机制, 高分辨率网络, WIoU损失函数

Abstract:

In order to address the problems of high labor costs and low efficiency in manual inspection for tunnel foreign object detection， a tunnel foreign object detection algorithm based on improved YOLOv8n was proposed. Firstly， C2f_CA module was proposed with the incorporation of Coordinate Attention （CA） mechanism. In the module， by embedding positional information into channel attention， the network’s focus on the spatial distribution of features in the image was enhanced， thereby improving feature extraction capability of the network. Secondly， inspired by the concept of high-resolution network， a new feature fusion module HRNet_Fusion （High Resolution Net） was proposed to take extracted feature maps with different resolutions as four parallel branches and input them into the network， and multiple up-sampling， down-sampling， and fusion operations were performed to obtain comprehensive and accurate feature information. The above enhanced performance in small target detection and feature fusion significantly. Finally， the WIoU （Wise-IoU） loss function was introduced to reduce the harmful gradient effects of low-quality samples on the network， further improving model detection accuracy. Experimental results on a tunnel foreign object detection dataset indicate that the improved algorithm achieves mean Average Precision （mAP@0.5） of 79.9%， with a model size of 6.0 MB. Compared to YOLOv8n， the proposed algorithm has the mAP@0.5 enhanced by 6 percentage points， while the model size decreased by 0.2 MB， and the model parameters reduced by 0.379×10⁶.

Key words: object detection, foreign object detection, YOLOv8n, Coordinate Attention (CA) mechanism, high resolution net, WIoU (Wise-IoU) loss function

中图分类号:

TP391.4

桂佳扬, 王顺吉, 周正康, 唐加山. 基于改进YOLOv8n的隧道内异物检测算法[J]. 计算机应用, 2025, 45(2): 655-661.

Jiayang GUI, Shunji WANG, Zhengkang ZHOU, Jiashan TANG. Tunnel foreign object detection algorithm based on improved YOLOv8n[J]. Journal of Computer Applications, 2025, 45(2): 655-661.

图/表 14

参考文献 21

1	肖添文，徐永能，徐欣怡. 城市轨道交通隧道异物侵入检测与控制方法［J］. 电气技术， 2019， 20（S1）： 48-52， 56.
	XIAO T W， XU Y N， XU X Y. Methods for detecting and controlling foreign body invasion in urban rail transit tunnels［J］. Electrical Engineering， 2019， 20（S1）： 48-52， 56.
2	宋晓凤. 基于结构光测量技术的铁路隧道口异物检测方法研究［D］. 北京：北京交通大学， 2020.
	SONG X F. Study on the railway tunnel entrance obstacle detection method based on structured light measurement technology［D］. Beijing： Beijing Jiaotong University， 2020.
3	陈锴迪. 隧道线路异物检测系统研究［D］. 北京：北京交通大学， 2020.
	CHEN K D. Research on foreign body detection system in tunnel line［D］. Beijing： Beijing Jiaotong University， 2020.
4	GIRSHICK R， DONAHUE J， DARRELL T， et al. Rich feature hierarchies for accurate object detection and semantic segmentation［C］// Proceedings of the 2014 IEEE Conference on Computer Vision. Piscataway： IEEE， 2014： 580-587.
5	LIU W， ANGUELOV D， ERHAN D， et al. SSD： single shot multibox detector［C］// Proceedings of the 2016 European Conference on Computer Vision， LNCS 9905. Cham： Springer， 2016： 21-37.
6	REDMON J， DIVVALA S， GIRSHICK R， et al. You only look once： unified， real-time object detection［C］// Proceedings of the 2016 IEEE Conference on Computer Vision and Pattern Recognition. Piscataway： IEEE， 2016： 779-788.
7	REDMON J， FARHADI A. YOLOv3： an incremental improvement［EB/OL］. ［2023-11-29］..
8	BOCHKOVSKIY A， WANG C Y， LIAO H Y M. YOLOv4： optimal speed and accuracy of object detection［EB/OL］. ［2023-12-09］..
9	LI C Y， LI L， JIANG H L， et al. YOLOv6： a single-stage object detection framework for industrial applications［EB/OL］. ［2023-12-09］..
10	WANG C Y， BOCHKOVSKIY A， LIAO H Y M. YOLOv7： trainable bag-of-freebies sets new state-of-the-art for real-time object detectors［C］// Proceedings of the 2023 IEEE/CVF Conference on Computer Vision and Pattern Recognition. Piscataway： IEEE， 2023： 7464-7475.
11	HOU Q， ZHOU D， FENG J. Coordinate attention for efficient mobile network design［C］// Proceedings of the 2021 IEEE/CVF Conference on Computer Vision and Pattern Recognition. Piscataway： IEEE， 2021： 13708-13717.
12	HE K， ZHANG X， REN S， et al. Deep residual learning for image recognition［C］// Proceedings of the 2016 IEEE Conference on Computer Vision and Pattern Recognition. Piscataway： IEEE， 2016： 770-778.
13	TONG Z， CHEN Y， XU Z， et al. Wise-IoU： bounding box regression loss with dynamic focusing mechanism［EB/OL］. ［2023-09-10］..
14	HE K， ZHANG X， REN S， et al. Spatial pyramid pooling in deep convolutional networks for visual recognition［J］. IEEE Transactions on Pattern Analysis and Machine Intelligence， 2015， 37（9）： 1904-1916.
15	LIN T Y， DOLLÁR P， GIRSHICK R， et al. Feature pyramid networks for object detection［C］// Proceedings of the 2017 IEEE Conference on Computer Vision and Pattern Recognition. Piscataway： IEEE， 2017： 936-944.
16	LIU S， QI L， QIN H， et al. Path aggregation network for instance segmentation［C］// Proceedings of the 2018 IEEE/CVF Conference on Computer Vision and Pattern Recognition. Piscataway： IEEE， 2018： 8759-8768.
17	李文举，张干，崔柳，等. 基于坐标注意力的轻量级交通标志识别模型［J］. 计算机应用， 2023， 43（2）： 608-614.
	LI W J， ZHANG G， CUI L， et al. Lightweight traffic sign recognition model based on coordinate attention［J］. Journal of Computer Applications， 2023， 43（2）： 608-614.
18	KOBYLINSKI P， WIERZBOWSKI M， PIOTROWSKI K. High-resolution net load forecasting for micro-neighbourhoods with high penetration of renewable energy sources［J］. International Journal of Electrical Power and Energy Systems， 2020， 117： No.105635.
19	ZHENG Z， WANG P， REN D， et al. Enhancing geometric factors in model learning and inference for object detection and instance segmentation［J］. IEEE Transactions on Cybernetics， 2022， 52（8）： 8574-8586.
20	WOO S， PARK J， LEE J Y， et al. CBAM： convolutional block attention module［C］// Proceedings of the 2018 European Conference on Computer Vision， LNCS 11211. Cham： Springer， 2018：3-19.
21	HU J， SHEN L， SUN G. Squeeze-and-excitation networks［C］// Proceedings of the 2018 IEEE/CVF Conference on Computer Vision and Pattern Recognition. Piscataway： IEEE， 2018： 7132-7141.

类别	数据描述
动物类	隧道内出现的动物，主要包括猫和狗等
抛洒垃圾类	隧道内散落的垃圾，如袋状和包裹状物等
道路安全设施类	隧道内歪倒的路面安全设施，例如锥桶、防撞桶和轮胎等

类别	数据描述
动物类	隧道内出现的动物，主要包括猫和狗等
抛洒垃圾类	隧道内散落的垃圾，如袋状和包裹状物等
道路安全设施类	隧道内歪倒的路面安全设施，例如锥桶、防撞桶和轮胎等

类别	训练集	测试集	共计
共计	2 710	725	3 435
抛洒垃圾类	888	281	1 122
动物类	902	220	1 169
道路安全设施类	920	224	1 144

类别	训练集	测试集	共计
共计	2 710	725	3 435
抛洒垃圾类	888	281	1 122
动物类	902	220	1 169
道路安全设施类	920	224	1 144

注意力机制	P/%	R/%	mAP@0.5/%	参数量/10⁶	模型大小/MB
基线模型	82.1	67.5	73.9	3.006	6.2
+C2f_CBAM	82.5	64.5	72.5	3.034	6.3
+C2f_SE	84.4	68.0	70.9	3.009	6.3
+C2f_CA	82.8	72.5	76.8	3.015	6.3

基于改进YOLOv8n的隧道内异物检测算法

Tunnel foreign object detection algorithm based on improved YOLOv8n

RichHTML

PDF

可视化

摘要/Abstract

引用本文

使用本文

图/表 14

参考文献 21

相关文章 15

编辑推荐

Metrics

算法	AP/%			mAP@0.5/%	参数量/10⁶	模型大小/MB	FPS
算法	动物类	抛洒垃圾类	道路安全设施类	mAP@0.5/%	参数量/10⁶	模型大小/MB	FPS
Faster-RCNN	93.9	43.6	84.2	73.9	41.358	315.9	89
Cascade-RCNN	89.8	44.7	82.8	72.4	69.158	528.0	54
YOLOv3-tiny	77.1	48.0	79.3	68.1	12.129	24.4	124
YOLOv5n	79.5	49.0	82.4	70.3	2.504	5.3	227
YOLOv6n	82.3	46.7	83.3	70.8	4.234	8.7	150
YOLOv7n	75.5	64.1	81.4	73.7	37.205	74.8	101
YOLOv8n	81.2	56.2	84.4	73.9	3.006	6.2	169
本文算法	88.4	60.5	90.7	79.9	2.627	6.0	138

[1]	洪梓榕, 包广清. 基于集成学习的雷达自动目标识别综述[J]. 《计算机应用》唯一官方网站, 2025, 45(2): 371-382.
[2]	杨晟, 李岩. 面向目标检测的对比知识蒸馏方法[J]. 《计算机应用》唯一官方网站, 2025, 45(2): 354-361.
[3]	文诗佳, 金世俊. 结合目标检测和特征点关联的动态视觉SLAM算法[J]. 《计算机应用》唯一官方网站, 2025, 45(2): 610-615.
[4]	张众维, 王俊, 刘树东, 王志恒. 多尺度特征融合与加权框融合的遥感图像目标检测[J]. 《计算机应用》唯一官方网站, 2025, 45(2): 633-639.
[5]	余松森, 林智凡, 薛国鹏, 徐建宇. 基于改进YOLOv8的轻量级大幅面瓷砖缺陷检测算法[J]. 《计算机应用》唯一官方网站, 2025, 45(2): 647-654.
[6]	何秋润, 胡节, 彭博, 李天源. 基于上下文信息的多尺度特征融合织物疵点检测算法[J]. 《计算机应用》唯一官方网站, 2025, 45(2): 640-646.
[7]	杨博然, 蔺素珍, 李大威, 禄晓飞, 崔晨辉. 基于信息补偿的红外弱小目标检测方法[J]. 《计算机应用》唯一官方网站, 2025, 45(1): 284-291.
[8]	刘赏, 周煜炜, 代娆, 董林芳, 刘猛. 融合注意力和上下文信息的遥感图像小目标检测算法[J]. 《计算机应用》唯一官方网站, 2025, 45(1): 292-300.
[9]	潘烨新, 杨哲. 基于多级特征双向融合的小目标检测优化模型[J]. 《计算机应用》唯一官方网站, 2024, 44(9): 2871-2877.
[10]	高鹏淇, 黄鹤鸣, 樊永红. 融合坐标与多头注意力机制的交互语音情感识别[J]. 《计算机应用》唯一官方网站, 2024, 44(8): 2400-2406.
[11]	李烨恒, 罗光圣, 苏前敏. 基于改进YOLOv5的Logo检测算法[J]. 《计算机应用》唯一官方网站, 2024, 44(8): 2580-2587.
[12]	张英俊, 李牛牛, 谢斌红, 张睿, 陆望东. 课程学习指导下的半监督目标检测框架[J]. 《计算机应用》唯一官方网站, 2024, 44(8): 2326-2333.
[13]	徐松, 张文博, 王一帆. 基于时空信息的轻量视频显著性目标检测网络[J]. 《计算机应用》唯一官方网站, 2024, 44(7): 2192-2199.
[14]	孙逊, 冯睿锋, 陈彦如. 基于深度与实例分割融合的单目3D目标检测方法[J]. 《计算机应用》唯一官方网站, 2024, 44(7): 2208-2215.
[15]	姬张建, 杜娜. 基于改进VariFocalNet的微小目标检测[J]. 《计算机应用》唯一官方网站, 2024, 44(7): 2200-2207.

C2f_CA	HRNet_Fusion	C2	WIoU	mAP@0.5/%	参数量/10⁶	模型大小/MB
				73.9	3.006	6.2
√				76.8	3.015	6.3
		√		75.0	3.019	6.3
	√			76.6	2.597	5.6
	√	√		77.0	2.618	5.9
			√	74.5	3.006	6.2
√	√	√		78.6	2.627	6.0
	√	√	√	78.8	2.627	6.0
√	√	√	√	79.9	2.627	6.0

C2f_CA	HRNet_Fusion	C2	WIoU	mAP@0.5/%	参数量/10⁶	模型大小/MB
				73.9	3.006	6.2
√				76.8	3.015	6.3
		√		75.0	3.019	6.3
	√			76.6	2.597	5.6
	√	√		77.0	2.618	5.9
			√	74.5	3.006	6.2
√	√	√		78.6	2.627	6.0
	√	√	√	78.8	2.627	6.0
√	√	√	√	79.9	2.627	6.0