基于改进YOLOv8n的磁浮列车异物入侵检测算法

来源：计算机工程与应用杂志2025年第13期北京时间：

作者：曾璐, 彭东良, 江子璇, 杨杰

单位：1.江西理工大学 电气工程与自动化学院，江西 赣州 341000；2.磁浮轨道交通装备江西省重点实验室，江西 赣州 341000

摘要：针对现有磁浮列车异物入侵检测效率低以及对不同尺寸异物存在错检、漏检等问题，提出一种基于改进YOLOv8n的异物检测算法YOLO-RFCL（robust feature calibration lightweight network）。采用鲁棒特征下采样模块（robust feature downsampling，RFD），融合多种下采样特征，优化模型特征表达能力。引入频率自适应扩张卷积（frequency adaptive dilation convolution，FADC），采用调制机制为每个像素分配不同的膨胀率，降低模型的复杂度和计算成本。建立上下文特征校准网络（context feature calibration network，CFCN），通过自校准和局部细节融合，提升小目标的检测精度。提出DEHead检测头（detail-enhanced head），增强模型的表征和泛化能力。实验结果表明，在磁浮列车异物入侵自定义数据集上，YOLO-RFCL与原算法相比精确率P、召回率R、mAP50、mAP95分别提升了2.3、6.6、4.3、2.5个百分点，参数量Params减少了3.7%，YOLO-RFCL与YOLOv11n相比精确率P、mAP50、mAP95分别提升了3.9、2.9、2.4个百分点；YOLO-RFCL的检测速度达111.8 FPS，验证了算法的有效性和精确性。

关键词：异物入侵检测,YOLOv8n,自适应扩张卷积,特征校准,特征融合