项目编号：202313631038

项目名称：复杂气象条件下的交通标识目标检测模型的研究和应用

执行时间：2023年3月至2024年6月

项目成员：潘军、赵银康、张柏园、耿乾煜                        

指导教师：周慧（教授） 软件与大数据技术系

项目简介：

在智能交通系统和自动驾驶车辆中，准确识别交通标识对于保障行车安全和提高交通效率至关重要。然而，复杂的气象条件（如雨、雪、雾等）会导致图像质量下降，给交通标识的检测带来巨大挑战。因此，研究和开发一种在复杂气象条件下依然能够高效准确检测交通标识的模型具有重要意义。

创新点：

1.YOLOV5改进-添加YOLOV8中的C2F模块.C2F模块通过更有效的特征融合和信息传递，提升了模型的特征提取能力。通过增强特征表达，特别是对小目标和复杂背景中的目标检测效果有明显提升。

2.添加EIOU,SIOU,AlphaIOU.修改损失函数。引入了预测框和真实框的中心点距离和宽高比差异，使得损失函数在优化过程中对目标框的形状和位置更加敏感，提高了收敛速度和检测精度。在IoU的基础上进行平滑处理，减少了梯度震荡现象，提升了模型的稳定性和训练效果。通过引入一个可调节的alpha参数，使得损失函数能够在不同阶段自适应地调整对重叠程度和中心点距离的关注度，提高了模型的鲁棒性和泛化能力。

取得成果：

通过采用自适应训练策略和自动混合精度训练技术，显著缩短了模型的训练时间，同时减少了计算资源的消耗。模型的收敛速度加快，并且在相同训练时间内获得更好的检测性能。并撰写学术论文。

心得体会：

   本项目的实施过程中，既有技术层面的挑战，也有实践应用中的困难，但通过团队的努力和不断创新，最终取得了显著成果。项目的成功不仅在于技术上的突破，更在于团队合作、持续改进和开放共享的精神。通过这次项目，我深刻体会到数据质量、模型设计、训练策略、效率优化和多维度评价体系在复杂应用场景中的重要性，为今后在智能交通和自动驾驶领域的进一步研究和应用打下了坚实基础。

相关图片：

图1预测结果

图2改进前后性能对比