设计应用

面向复杂场景的YOLOv11n小目标交通标志检测算法

作者:郑楠1,付帅1,刘依萍2,郝文邦3,赵志源4
发布日期:2026-11-19
来源:电子技术应用

引言

随着智能交通系统(ITS)和自动驾驶技术的飞速发展,交通标志检测作为保障道路安全、规范驾驶行为的关键环节,受到了学术界与工业界的广泛关注。交通标志承载着限速、禁行、警告等关键交通规则信息,其能否被准确、实时地识别直接关系到车辆的路径规划与决策控制。世界卫生组织及多项交通研究显示,与交通标志认知错误或未能及时识别相关的交通事故占比高达10%~30%[1]。因此,在复杂多变的道路环境中实现高精度的交通标志检测,对于提升智能驾驶系统的鲁棒性、降低交通事故率具有重要意义[2]。

尽管深度学习技术已显著推动了目标检测领域的发展,但在实际的交通场景中,交通标志检测仍面临诸多严峻挑战:首先是小目标特征易丢失,远距离的交通标志在图像中往往仅占据几十个像素,特征信息匮乏,极易在骨干网络的深层下采样过程中丢失;其次是多尺度与复杂背景干扰,同一场景中大、小标志共存,且常伴有光照变化、遮挡及复杂背景噪声;最后是深层语义与浅层细节融合不足,高层特征图虽然语义丰富但空间分辨率低,难以精确定位小目标[3]。

目前,交通标志检测算法主要分为两阶段和单阶段检测器。两阶段算法如RCNN系列[4]虽然检测精度较高,但特征提取能力在小目标检测上仍有局限,且网络结构复杂导致难以有效保留浅层细节信息。相比之下,YOLO系列[5]为代表的单阶段算法因其在速度与精度之间的良好平衡而成为主流。Redmon 等人提出的 YOLO 算法奠定了实时检测的基础,随后YOLOv3[6]、YOLOv5[7]等版本不断迭代优化。

然而,随着YOLO系列的演进,不同版本在交通标志检测任务中表现出不同的局限性。 YOLOv8[8]虽然架构成熟,但在处理极小目标时,其特征提取能力已逐渐触及瓶颈;YOLOv9 和 YOLOv10 虽然引入了可编程梯度信息或无NMS设计,但在小目标特征保留上改进有限;而更新的 YOLOv12[9]等版本虽然引入了注意力机制,但在极小目标检测精度上并未带来质的飞跃。相比之下,YOLOv11n作为Ultralytics推出的较新版本,通过优化的C3K2模块和骨干网络设计,展现了较强的特征提取能力,是提升小目标检测精度的理想基准。

基于此,许多学者开始基于YOLOv11n进行针对性改进。例如,文献[10]提出的改进模型虽然通过特征融合策略优化了检测流程,但在深层网络下采样过程中对小目标特征的保留仍显不足;文献[11]基于 YOLOv11n 提出的改进方法虽然针对小目标进行了优化,但在复杂背景干扰下的检测鲁棒性仍有提升空间;文献[12]通过引入注意力机制和优化损失函数等策略来解决模型精度不足和漏检率较高等问题。

综上所述,现有方法难以在复杂道路场景下实现高精度的小目标检测,尤其在特征保留和背景抑制方面存在不足。本文的主要贡献如下:

(1)提出C3K2_Mona(C3K2 with Multi-cognitive Visual Adapter)模块:通过深度卷积与多分支结构,在降低参数量的同时增强多尺度特征提取能力,有效缓解深层网络中小目标信息丢失问题;

(2)构建简单注意力基础感受野模块(Simple attention Basic Receptive Field Block, Sim_BasicRFB):替代原有SPPF模块,利用多分支空洞卷积与SimAM注意力机制扩大感受野并抑制背景噪声,提升复杂场景下的检测鲁棒性;

(3)设计NWSIoU(Normalized Wasserstein and Scylla Intersection over Union)损失函数:融合归一化Wasserstein距离与SIoU几何对齐机制,解决小目标定位时的梯度消失问题并加速收敛。


本文详细内容请下载:

https://www.chinaaet.com/resource/share/2000007345


作者信息:

郑楠1,付帅1,刘依萍2,郝文邦3,赵志源4

(1.云南省交通规划设计研究院股份有限公司,云南 昆明 650041;

2.昆明理工大学 交通工程学院,云南 昆明 650500;

3.山东高速信息集团有限公司,山东 济南 250102;

4.中国电信股份有限公司重庆分公司,重庆 401120)

此内容为AET网站原创,未经授权禁止转载。
交通标志检测 YOLOv11 小目标检测 多尺度特征 损失函数