计算机科学与探索

作者：李云飞, 魏霞, 蔡鑫, 吕明昱, 罗相涵

单位：新疆大学 电气工程学院，乌鲁木齐 830017

关键词：深度学习,障碍物检测,交通标志检测,注意力机制,知识蒸馏

基金：国家自然科学基金（62303394）；新疆维吾尔自治区自然科学基金（2022D01C694）；新疆维吾尔自治区高校基本科研业务费（XJEDU2023P025）。

针对机器导盲犬在行进过程中面临的红绿灯等小目标和斑马线等边缘特征不清晰样本目标的检测难题，以及背景多变导致的漏检、错检和重复检测问题，提出一种改进的YOLOv8盲人出行的典型障碍物及交通标志检测方法。在YOLOv8的主干网络中引入Triplet Attention注意力机制，通过加强捕捉序列中的时序关系和强化局部区域的相关性，显著提升模型对复杂环境中关键目标的识别能力。此外，算法融合CSFF模块和TFE模块，结合局部和全局特征信息，获得更加精确的特征表示，从而提高检测的准确性。为了进一步提升对小目标的检测能力，算法结合小目标检测头P2，通过提取较低分辨率的特征来帮助识别红绿灯等小目标，增强模型的多尺度检测能力。同时，采用Focaler-WIoU损失函数，有效减小样本产生的有害梯度，进一步优化模型的训练过程。通过特征蒸馏技术对改进后的算法进行精度提升，确保模型在实际应用中的高效性和鲁棒性。实验结果表明，改进后的算法在参数量减少17.2%的情况下，平均准确率达到了93.5%，查准率为92.8%。这一改进不仅显著提升机器导盲犬在复杂环境中的目标检测能力，还为后续的局部路径规划研究提供更为准确的检测信息，具有重要的实际应用价值。

来源：2025年第6期

《计算机科学与探索》期刊编辑部

查看计算机科学与探索杂志2025年第6期