陳世君, 孫夢(mèng)飛

(國(guó)能朔黃鐵路發(fā)展有限責(zé)任公司,河北 滄州 062350)

隨著近年來(lái)我國(guó)市場(chǎng)經(jīng)濟(jì)的發(fā)展,鐵路物流行業(yè)得到了突飛猛進(jìn)的發(fā)展,我國(guó)“一帶一路”[1]倡議與《“十四五”現(xiàn)代物流發(fā)展規(guī)劃》[2]發(fā)布,加快了鐵路貨運(yùn)行業(yè)的高質(zhì)量發(fā)展。在我國(guó)鐵路行業(yè)高速發(fā)展的進(jìn)程中,鐵路軌道線(xiàn)路與輔助設(shè)備的檢修對(duì)保障鐵路安全高效運(yùn)輸有著重要的作用,由于我國(guó)鐵路里程較長(zhǎng),設(shè)備與設(shè)施復(fù)雜,鐵路檢修作業(yè)繁重,因此需要強(qiáng)有力的檢修物資供應(yīng)系統(tǒng),這對(duì)鐵路檢修所需貨物的運(yùn)輸效率提出了更高的要求。隨著智能技術(shù)的不斷發(fā)展,計(jì)算機(jī)技術(shù)、人工智能等領(lǐng)域的不斷創(chuàng)新,在國(guó)家倡導(dǎo)的工業(yè)4.0的戰(zhàn)略布局下[3],越來(lái)越多的制造業(yè)廠商開(kāi)始研制替代重復(fù)性人力勞動(dòng)的智能化作業(yè)系統(tǒng),鐵路檢修物流企業(yè)也開(kāi)始向現(xiàn)代物流企業(yè)轉(zhuǎn)型升級(jí)。

鐵路檢修所需要的貨物種類(lèi)數(shù)量多,檢修生產(chǎn)物流在倉(cāng)儲(chǔ)、配送方面流程復(fù)雜,存在鐵路緊急搶修的情形,需要無(wú)人叉車(chē)AGV配合人工協(xié)同工作。大多數(shù)鐵路系統(tǒng)使用射頻識(shí)別(RFID)技術(shù)[4]與二維碼結(jié)合實(shí)現(xiàn)檢修倉(cāng)儲(chǔ)庫(kù)區(qū)中貨物的識(shí)別,這種方法可以通過(guò)識(shí)別二維碼獲取貨物位置信息,但存在對(duì)大件物體掃描不方便、需要定期維護(hù)等問(wèn)題。隨著人工智能技術(shù)的快速發(fā)展,基于計(jì)算機(jī)視覺(jué)的物體識(shí)別快速發(fā)展,相比于RFID技術(shù),視覺(jué)識(shí)別具有準(zhǔn)確率高,硬件成本低的優(yōu)點(diǎn)。目前,基于計(jì)算機(jī)視覺(jué)的識(shí)別方法在鐵路檢修場(chǎng)景下取得了一定的成果,例如傳統(tǒng)的目標(biāo)檢測(cè)按照灰度特征、邊緣特征、紋理特征等圖像特征進(jìn)行目標(biāo)分割,往往采用聚類(lèi)方法[5]、基于相關(guān)閾值的方法[6]、基于區(qū)域的方法[7]等,但這類(lèi)按圖像特征分割圖像的方法對(duì)噪聲比較敏感,識(shí)別準(zhǔn)確率和效率相對(duì)比較差。目前基于深度學(xué)習(xí)的倉(cāng)儲(chǔ)物體檢測(cè)也是一個(gè)新興的研究方向, R-CNN兩階段檢測(cè)算法采用大規(guī)模的卷積神經(jīng)網(wǎng)絡(luò)應(yīng)用,通過(guò)生成候選框、提取特征、SVM分類(lèi)和定位回歸4個(gè)步驟進(jìn)行訓(xùn)練[8]。Girshick等[9]基于候選區(qū)域的提取方法提出Fast R-CNN,同時(shí)網(wǎng)絡(luò)通過(guò)雙層分支輸出,其訓(xùn)練速度和測(cè)試速度較R-CNN有較大提升。Ren等[10]進(jìn)一步提出了Faster R-CNN在Fast R-CNN 基礎(chǔ)上添加區(qū)域建議網(wǎng)絡(luò),替代了傳統(tǒng)的特征提取方法,提高了網(wǎng)絡(luò)的訓(xùn)練速度。Redmon等[11]提出了由卷積層和FC層構(gòu)成的單階段YOLO(You Only Look Once)目標(biāo)檢測(cè)算法,先在最頂層特征圖中標(biāo)出邊界框,之后就可以對(duì)每個(gè)類(lèi)別概率進(jìn)行預(yù)測(cè),最后激活函數(shù)就可以得到最終信息。Liu等[12]提出SSD(Single Shot Multibox Detector)算法,將Faster R-CNN中提取多種候選區(qū)域作為感興趣區(qū)域的思想與YOLO中回歸的思想結(jié)合,一定程度上解決YOLO算法對(duì)小目標(biāo)識(shí)別以及尺度不敏感的缺陷。王玉偉等[13]提出一種基于邊緣檢測(cè)的箱體貨物檢測(cè)算法,利用訓(xùn)練好的RCF邊緣檢測(cè)模型得到箱體邊緣信息,再對(duì)邊緣信息進(jìn)行圖像處理得到箱體貨物邊緣與定點(diǎn)坐標(biāo)實(shí)現(xiàn)箱體貨物定位。但是該算法對(duì)倉(cāng)儲(chǔ)場(chǎng)景智能化、無(wú)人化要求較高,應(yīng)用到實(shí)際復(fù)雜的倉(cāng)儲(chǔ)場(chǎng)景中存在困難[14]。金秋等[15]將FasterR-CNN模型應(yīng)用到倉(cāng)儲(chǔ)物體檢測(cè),使用ZFNet網(wǎng)絡(luò)進(jìn)行特征提取,實(shí)現(xiàn)了對(duì)倉(cāng)儲(chǔ)環(huán)境中的物體的粗定位。但是由于早期CNN網(wǎng)絡(luò)特征提取能力較弱,導(dǎo)致模型檢測(cè)精度較差[16]。劉江玉等[17]、陳亮杰等[18]基于FasterR-CNN模型進(jìn)行倉(cāng)儲(chǔ)托盤(pán)檢測(cè),使用VGG16進(jìn)行訓(xùn)練,準(zhǔn)確率得到提高但網(wǎng)絡(luò)結(jié)構(gòu)復(fù)雜導(dǎo)致檢測(cè)速度降低。陳亮杰等[19]將單階段SSD檢測(cè)算法應(yīng)用于倉(cāng)儲(chǔ)環(huán)境,基本實(shí)現(xiàn)倉(cāng)儲(chǔ)明顯物體檢測(cè),但該算法在復(fù)雜倉(cāng)儲(chǔ)環(huán)境中仍然存在漏檢情況,算法的魯棒性不足。李天劍等[20]將DenseNet與SSD進(jìn)行融合,設(shè)計(jì)出改進(jìn)的SSD算法模型對(duì)倉(cāng)儲(chǔ)托盤(pán)進(jìn)行檢測(cè),但是對(duì)于倉(cāng)儲(chǔ)場(chǎng)景中存在的光線(xiàn)較暗、托盤(pán)易被遮擋等復(fù)雜情況,算法的檢測(cè)精度不高。

綜上所述,在鐵路檢修倉(cāng)庫(kù)中進(jìn)行物體識(shí)別方面主要存在以下問(wèn)題亟待解決:鐵路檢修倉(cāng)儲(chǔ)環(huán)境復(fù)雜、許多工作場(chǎng)景需要工人與叉車(chē)配合協(xié)調(diào)工作,工人與貨物、車(chē)體之間相互遮擋,對(duì)后續(xù)物體識(shí)別造成較大影響。結(jié)合鐵路檢修倉(cāng)庫(kù)作業(yè)的現(xiàn)實(shí)情況,本文基于深度學(xué)習(xí)算法,設(shè)計(jì)對(duì)鐵路檢修倉(cāng)儲(chǔ)場(chǎng)景中的貨物、人、叉車(chē)等準(zhǔn)確識(shí)別方法,更好地實(shí)現(xiàn)檢修貨物的高效搬運(yùn)。YOLOv8算法不僅可以定位和分類(lèi)圖像中的多個(gè)對(duì)象,還可以輸出邊界框[21]。本文的研究工作重點(diǎn)是利用數(shù)字圖像對(duì)鐵路檢修倉(cāng)儲(chǔ)中的貨物、工人、叉車(chē)進(jìn)行識(shí)別,從鐵路檢修倉(cāng)儲(chǔ)圖像中提取視覺(jué)特征,并通過(guò)分析目標(biāo)物體特征來(lái)預(yù)測(cè)物體的類(lèi)別。

1 YOLOv8網(wǎng)絡(luò)結(jié)構(gòu)與優(yōu)化

1.1 YOLOv8網(wǎng)絡(luò)架構(gòu)

為了追求更低的成本和更高的搬運(yùn)效率,智能倉(cāng)儲(chǔ)叉車(chē)AGV通常搭載輕量化的處理器,計(jì)算能力有限,因此需要輕量、高效的深度學(xué)習(xí)網(wǎng)絡(luò)來(lái)完成目標(biāo)識(shí)別任務(wù)。YOLOv8是一種雙路徑的輕量化目標(biāo)識(shí)別網(wǎng)絡(luò),提供了目前最先進(jìn)的目標(biāo)檢測(cè)性能,借助先前YOLO模型的支持,運(yùn)行得更快、更準(zhǔn)確,同時(shí)為目標(biāo)檢測(cè)、實(shí)例分割、圖像分類(lèi)等多種任務(wù)提供了統(tǒng)一的框架。YOLOv8使用了與YOLOv5[22]類(lèi)似的主干網(wǎng)絡(luò),延續(xù)了CPS模塊并做了一些更改,用C2f模塊(具有兩個(gè)卷積的跨階段部分)代替C3模塊,結(jié)構(gòu)如圖1所示。YOLOv8的Backbone中使用C2f模塊將高級(jí)特征與上下文信息相結(jié)合提取視覺(jué)特征提高檢測(cè)精度,實(shí)現(xiàn)了進(jìn)一步的輕量化,同時(shí)沿用了YOLOv5中的SPPF模塊,在不影響檢測(cè)精度的情況下獲得更快的檢測(cè)速度。

圖1 主干網(wǎng)絡(luò)部分模塊結(jié)構(gòu)圖

Neck網(wǎng)絡(luò)位于Head網(wǎng)絡(luò)與骨干網(wǎng)絡(luò)之間,主要用來(lái)特征融合以在不同尺度下都可以獲取豐富的語(yǔ)義信息,在YOLOv8中采用FPN+PAN結(jié)構(gòu)。通過(guò)FPN(Feature Pyramid Network,特征圖金字塔網(wǎng)絡(luò))[23]可以融合高分辨率的淺層結(jié)構(gòu)和具有豐富語(yǔ)義的深層結(jié)構(gòu);而PAN(Path Aggregation Networks,路徑聚合網(wǎng)絡(luò))[24]自底向上傳達(dá)強(qiáng)定位特征,兩者結(jié)合對(duì)不同分辨率大小的檢測(cè)層進(jìn)行融合,方便實(shí)現(xiàn)各個(gè)尺寸的目標(biāo)檢測(cè)。YOLOv8的Head部分使用一個(gè)無(wú)錨模型和一個(gè)解耦的頭來(lái)獨(dú)立處理對(duì)象、分類(lèi)和回歸任務(wù)。這種設(shè)計(jì)允許每個(gè)分支專(zhuān)注于其任務(wù),提高了模型的整體準(zhǔn)確性。在YOLOv8的輸出層中,使用Sigmoid函數(shù)作為對(duì)象分?jǐn)?shù)的激活函數(shù),表示邊界框包含對(duì)象的概率,它將Softmax函數(shù)用于類(lèi)概率,表示對(duì)象屬于每個(gè)可能類(lèi)的概率。YOLOv8使用CIoU和DFL損失函數(shù)進(jìn)行邊界框損失,并使用二進(jìn)制交叉熵進(jìn)行分類(lèi)損失,基本網(wǎng)絡(luò)結(jié)構(gòu)如圖2所示。但是YOLOv8在對(duì)多種類(lèi)小目標(biāo)進(jìn)行檢測(cè)時(shí)容易受圖像背景和噪音的干擾,鐵路檢修倉(cāng)庫(kù)背景復(fù)雜,檢測(cè)目標(biāo)種類(lèi)多、尺寸不固定,需要對(duì)原始YOLOv8網(wǎng)絡(luò)進(jìn)行改進(jìn)。

圖2 Head網(wǎng)絡(luò)結(jié)構(gòu)圖

1.2 YOLOv8算法改進(jìn)

1.2.1 注意力機(jī)制

本文針對(duì)鐵路檢修倉(cāng)儲(chǔ)庫(kù)區(qū)人員物貨物復(fù)雜問(wèn)題,將SE(Squeeze-and-Excitation)注意力模塊[25]融入到 YOLOv8網(wǎng)絡(luò)中,以提升網(wǎng)絡(luò)的特征提取能力。

SE注意力模塊是一種通道注意力模塊,主要通過(guò)對(duì)輸入的特征進(jìn)行壓縮與激勵(lì),在壓縮過(guò)程中,通過(guò)全局平均池化操作將輸入的特征圖壓縮成向量,然后通過(guò)全連接層映射到較小的向量,如圖3中Fsq定義如下:

圖3 Squeeze-and-Excitation模塊

(1)

(2)

為了利用壓縮過(guò)程中匯集的信息,需要通過(guò)激勵(lì)操作捕獲通道依賴(lài)性。采用了兩層全連接構(gòu)成的門(mén)機(jī)制,第一個(gè)全連接層把通道壓縮降低計(jì)算量,再通過(guò)一個(gè)RELU非線(xiàn)性激活層,第二個(gè)全連接層恢復(fù)通道數(shù),再通過(guò)Sigmoid函數(shù)激活得到權(quán)重s,將其與原始輸入特征圖相乘,得到加權(quán)后的特征圖。

s=Fex(z,W)=σ(g(z,W))=σ(W2δ(W1z))

(3)

(4)

通過(guò)SE注意力機(jī)制,模型可以自適應(yīng)地學(xué)習(xí)到每個(gè)通道的重要性,提高模型的表現(xiàn)能力,通過(guò)學(xué)習(xí)自適應(yīng)的權(quán)重,使模型更加關(guān)注有用的通道信息。鐵路檢修倉(cāng)儲(chǔ)場(chǎng)景復(fù)雜,識(shí)別目標(biāo)種類(lèi)多,SE注意力模塊可以讓網(wǎng)絡(luò)自動(dòng)地選取最具代表性的特征進(jìn)行分類(lèi),提高神經(jīng)網(wǎng)絡(luò)的分類(lèi)性能。SE注意力模塊結(jié)構(gòu)如圖4所示。

圖4 SE注意力模塊結(jié)構(gòu)

1.2.2 改進(jìn)的網(wǎng)絡(luò)結(jié)構(gòu)

通過(guò)引入SE模塊,深度學(xué)習(xí)網(wǎng)絡(luò)可以自適應(yīng)地學(xué)習(xí)圖像不同通道的重要性。C2f模塊在YOLOv8中負(fù)責(zé)將高階語(yǔ)義特征與低階細(xì)節(jié)特征融合,本文在C2f模塊和SPPF模塊中添加SE注意力模塊,通過(guò)注意力模塊中的全局平均池化層對(duì)每個(gè)通道特征進(jìn)行降維,通過(guò)全連接層將特征映射到注意力權(quán)重,最后通過(guò)Sigmoid激活函數(shù)將注意力權(quán)重限制在0到1之間。在特征金字塔PANet網(wǎng)絡(luò)結(jié)構(gòu)中,跨層連接主干網(wǎng)絡(luò)的特征信息,由于低層的主干信息含有較多的背景干擾信息,可能導(dǎo)致所融合的特征信息含有較多的無(wú)效信息,所以我們?cè)谔卣魈崛【W(wǎng)絡(luò)中添加SE注意力機(jī)制,使網(wǎng)絡(luò)能夠聚合有效的低層特征信息,提高模型對(duì)特征的關(guān)注能力,進(jìn)一步提高模型分類(lèi)的能力,改進(jìn)的網(wǎng)絡(luò)整體結(jié)構(gòu)圖如圖5所示。

圖5 改進(jìn)的YOLOv8算法網(wǎng)絡(luò)結(jié)構(gòu)圖

1.2.3 損失函數(shù)優(yōu)化

損失函數(shù)(Loss Function)[26]是衡量模型預(yù)測(cè)值和真實(shí)值之間差異的函數(shù),在訓(xùn)練期間,模型會(huì)嘗試最小化損失函數(shù)的值,從而提高模型的準(zhǔn)確性。YOLOv8采用的現(xiàn)有的邊界框回歸的損失函數(shù)CIoU[27]和DFL[28]損失函數(shù),在不同的預(yù)測(cè)結(jié)果下具有相同的值,降低了邊界框回歸的收斂速度和精度。

MPDIoU(Minimum Point Distance based IoU)[29]是一種用于邊界框回歸的損失函數(shù),它通過(guò)最小化預(yù)測(cè)邊界框和真值邊界框之間的點(diǎn)距離來(lái)計(jì)算IoU,簡(jiǎn)化了兩個(gè)邊界框之間的相似性比較計(jì)算過(guò)程,計(jì)算公式如下:

d12=(x1B-x1A)2+(y1B-y1A)2

(5)

d22=(x2B-x2A)2+(y2B-y2A)2

(6)

(7)

其中(x1A,y1A),(x2A,y2A)表示A的左上點(diǎn)和右下點(diǎn)的坐標(biāo);(x1B,y1B),(x2B,y2B)表示B的左上點(diǎn)和右下點(diǎn)的坐標(biāo);w和h表示圖像的寬度和高度。

2 鐵路倉(cāng)庫(kù)數(shù)據(jù)集

2.1 鐵路倉(cāng)庫(kù)數(shù)據(jù)集的構(gòu)成

在設(shè)計(jì)鐵路檢修倉(cāng)庫(kù)數(shù)據(jù)集時(shí),通過(guò)大量現(xiàn)場(chǎng)調(diào)研以及咨詢(xún)業(yè)內(nèi)相關(guān)人士,構(gòu)建出鐵路倉(cāng)庫(kù)數(shù)據(jù)集類(lèi)別及出現(xiàn)頻率,如表1所示。

表1 鐵路檢修倉(cāng)儲(chǔ)數(shù)據(jù)集類(lèi)別及出現(xiàn)頻率

2.2 鐵路檢修倉(cāng)庫(kù)數(shù)據(jù)集構(gòu)建

(8)

鐵路檢修倉(cāng)庫(kù)數(shù)據(jù)集的標(biāo)注工作采用Labelimg軟件進(jìn)行。在標(biāo)注完成后對(duì)標(biāo)注圖片進(jìn)行篩查去除等,確保數(shù)據(jù)集圖片準(zhǔn)確可靠。鐵路檢修倉(cāng)庫(kù)數(shù)據(jù)集包括4類(lèi)檢測(cè)目標(biāo):AGV(叉車(chē)類(lèi))、goods(貨物類(lèi))、people(工作人員類(lèi))、shelves(貨架類(lèi))去除冗余圖像后獲得共計(jì)1 000張圖片,保存為jpg格式,選取各類(lèi)型圖片文件夾前70%作為訓(xùn)練集,后30%作為驗(yàn)證集。數(shù)據(jù)集包含正常光照下采集的鐵路檢修倉(cāng)庫(kù)圖像、光照不足的暗光線(xiàn)圖像、背景干擾大的圖像,不同條件下采集的圖像可以提高檢測(cè)模型的魯棒性。鐵路檢修倉(cāng)庫(kù)的部分?jǐn)?shù)據(jù)集如圖6所示。

圖6 鐵路檢修倉(cāng)庫(kù)圖像數(shù)據(jù)集

3 實(shí)驗(yàn)結(jié)果與對(duì)比分析

3.1 實(shí)驗(yàn)環(huán)境

本實(shí)驗(yàn)環(huán)境為python3.10、pytorch1.10、cuda11.3,實(shí)驗(yàn)配置為 GPU:RTX 4060,顯存8 GB。本文設(shè)定樣本的整個(gè)訓(xùn)練過(guò)程為200個(gè)epoch,前50個(gè)epoch采用凍結(jié)訓(xùn)練方式,后150個(gè)epoch進(jìn)行解凍訓(xùn)練,網(wǎng)絡(luò)訓(xùn)練時(shí)參數(shù)優(yōu)化方法選擇隨機(jī)梯度下降法。

3.2 評(píng)價(jià)指標(biāo)

為了驗(yàn)證模型的有效性、準(zhǔn)確性和穩(wěn)定性,本文實(shí)驗(yàn)采用檢測(cè)精度mAP(Mean Average Precision)和召回率(Recall)作為檢測(cè)效果的評(píng)價(jià)指標(biāo)?；煜仃?Confusion Matrix)用于評(píng)估模型的分類(lèi)性能,通常是一個(gè)2×2的矩陣,行表示實(shí)際標(biāo)簽類(lèi)別,列表示模型預(yù)測(cè)類(lèi)別,混淆矩陣中的四個(gè)元素分別是:真正例(True Positive,TP)、假正例(False Positive,FP)、真反例(True Negative,TN)、假反例(False Negative,FN),如表2所示。

表2 混淆矩陣

檢測(cè)精度mAP:AP是評(píng)價(jià)模型精準(zhǔn)度的指數(shù),可以反映模型局部性能,mAP是平均精度均值,n為目標(biāo)檢測(cè)的類(lèi)別數(shù),計(jì)算公式如下:

(9)

(10)

召回率:指分類(lèi)模型正確預(yù)測(cè)為正例的樣本數(shù)占實(shí)際正例樣本數(shù)的比例,計(jì)算公式如下:

(11)

3.3 實(shí)驗(yàn)結(jié)果對(duì)比分析

為了驗(yàn)證提出的改進(jìn)模型的優(yōu)越性,本文使用4類(lèi)檢測(cè)目標(biāo):AGV(叉車(chē)類(lèi))、goods(貨物類(lèi))、people(工作人員類(lèi))、shelves(貨架類(lèi))作為訓(xùn)練集。數(shù)據(jù)集分別在YOLOv8和改進(jìn)的YOLOv8網(wǎng)絡(luò)模型中進(jìn)行訓(xùn)練,如圖7所示結(jié)果表明,在訓(xùn)練結(jié)果中,改進(jìn)的YOLOv8比原始YOLOv8具有更好的收斂效果,損失值更小,這表明改進(jìn)后的YOLOv8模型檢測(cè)性能得到提升。

圖7 Loss曲線(xiàn)

YOLOv8在檢測(cè)過(guò)程中存在漏檢的情況,改進(jìn)后的YOLOv8可以檢測(cè)到原始網(wǎng)絡(luò)模型錯(cuò)檢的對(duì)象,提高了檢測(cè)性能,兩個(gè)模型檢測(cè)結(jié)果對(duì)比如圖8所示。實(shí)驗(yàn)結(jié)果表明,該模型能夠成功地對(duì)鐵路檢修倉(cāng)庫(kù)中的工作人員、AGV、貨物與貨架進(jìn)行識(shí)別。

圖8 檢測(cè)結(jié)果

Recall-confidence curve(RCC)曲線(xiàn)圖是目標(biāo)檢測(cè)中用于評(píng)估算法性能的一種方法,該曲線(xiàn)顯示了模型在不同置信度閾值下的召回率與置信度之間的關(guān)系。從圖9中可以看出,改進(jìn)前的YOLOv8模型所有分類(lèi)只能達(dá)到92%;圖13中可以看出,改進(jìn)后的模型所有分類(lèi)能到達(dá)97%。說(shuō)明本文提出的改進(jìn)后的模型分類(lèi)性能得到了顯著提升。

圖9 模型RCC曲線(xiàn)圖對(duì)比

4 結(jié)束語(yǔ)

鐵路檢修倉(cāng)儲(chǔ)庫(kù)區(qū)環(huán)境復(fù)雜、布局變動(dòng)幅度大,AGV在庫(kù)區(qū)執(zhí)行搬運(yùn)任務(wù)時(shí)對(duì)與環(huán)境周?chē)奈矬w分類(lèi)識(shí)別非常重要。本文提出了一種基于改進(jìn)YOLOv8卷積神經(jīng)網(wǎng)絡(luò)的鐵路檢修倉(cāng)儲(chǔ)庫(kù)區(qū)物體識(shí)別方法YOLOv8-S,通過(guò)加入SE注意力機(jī)制模塊與改進(jìn)損失函數(shù)使網(wǎng)絡(luò)自動(dòng)選取最具代表性的特征進(jìn)行分類(lèi),提高神經(jīng)網(wǎng)絡(luò)的檢測(cè)與分類(lèi)性能。測(cè)試結(jié)果表明,模型召回率為83.7%,平均均值精度達(dá)到87.6%,與原始YOLOv8相比,YOLOv8-S的召回率提高了3.8個(gè)百分點(diǎn),平均均值精度提高了4.3個(gè)百分點(diǎn)。本文提出的方法識(shí)別精度高、分類(lèi)準(zhǔn)確,檢測(cè)效果優(yōu)于已有的YOLOv8模型,通過(guò)檢測(cè)鐵路檢修倉(cāng)庫(kù)中的常見(jiàn)物體,可以實(shí)現(xiàn)高效智能的貨物運(yùn)輸,大大降低鐵路檢修倉(cāng)庫(kù)中的人工成本,解決當(dāng)前鐵路檢修倉(cāng)儲(chǔ)庫(kù)區(qū)復(fù)雜環(huán)境影響AGV搬運(yùn)貨物的問(wèn)題。