基于改进YOLOv8算法的铁路信号机自动检测方法

针对铁路场景下信号机小目标特征不明显导致检测困难出现漏检问题和检测模型精度低的问题,设计出了一种基于改进YOLOv8的小目标检测算法,命名为FBO-YOLOv8。方法在YOLOv8算法模型的基础上,采用轻量化FasterNet替换了主干网络;添加BiFormer作为特征融合层,引入了全维度动态卷积(omni-dimensional dynamic convolution,ODConv),使网络能更精准地捕捉特征图中的位置信息并实现更高效的融合;在特征融合的基础上,兼并上采样和下采样过程构建了新的层次特征,增强对小目标的特征学习能力。为了验证所提出的方法对信号机检测的有效性,在无人机航拍的铁路信号机数据集(Self-Built数据集)上进行测试,并将检测结果与其他方法进行对比。实验结果表明,FBO-YOLOv8模型在Self-Built数据集上mAP达到了77.8%,较YOLOv8目标检测算法提高了1.0%。与YOLOv7-Tiny、YOLOv5s、YOLOv3-Tiny等轻量化模型相比,FBO-YOLOv8不仅提高了模型的精确度,还有效解决了漏检问题,适用于实际铁路场景下的小目标检测任务。