基于深度学习的高速公路交通事故检测方法研究

来源：电子测量技术杂志2026年第6期北京时间：

作者：凌锐，闫坤，梁宏宇，韦焯淇，郝航勃

单位：1.桂林电子科技大学信息与通信学院 桂林 541004; 2.桂林电子科技大学卫星导航定位与 位置服务国家地方联合工程研究中心 桂林 541004

摘要：现有单阶段深度模型的交通事故检测在高速公路场景中误报率高、计算冗余大，严重制约了实际部署。为此，本文提出一种基于双阶段架构的高速公路交通事故检测方法，采用“静止车辆筛选+外观特征识别”的处理流程。第一阶段结合YOLO11与Bot-SORT，实现对车辆的检测与跟踪，并通过帧间速度分析筛选出疑似事故的静止车辆。第二阶段引入改进模型YOLO-EA，仅对静止车辆执行外观检测，并采用多帧投票机制提高判断稳定性与鲁棒性。YOLO-EA基于YOLO11架构，引入EAS-Stem模块与AWD-Conv模块，前者增强了输入阶段边缘与轮廓的特征提取，后者提升了下采样效率并在保留关键特征同时降低计算负担。实验结果表明，YOLO-EA在Precision、mAP@0.5和mAP@0.5:0.95上分别提升10.9%、3.4%和2.8%，参数量减少21%；在构建的事故视频数据集上，本方法的事故识别率达81.25%，相对于单阶段检测策略误报率降低24.46%。该方法在准确性与推理效率之间实现良好平衡，具备较强的实际部署潜力。

关键词：交通安全;事故检测;多目标跟踪;深度学习;高速公路

基金资助：国家自然科学基金（62101147）、广西自然科学基金（桂科2020GXNSFAA159146）、广西创新驱动发展专项(桂科AA21077008)、教育部重点实验室基金（CRKL190108）项目资助