计算机应用

作者：刘权捷, 顾兆一, 王春源

单位：1.青岛理工大学 机械与汽车工程学院，山东 青岛 266520；2.沈阳航空航天大学 安全工程学院，沈阳 110136

关键词：改进YOLOv8,不安全驾驶行为检测,深度学习,目标检测算法,复杂光照条件

基金：国家自然科学基金资助项目(52474238)

为了在各种复杂光照条件下实时有效检测驾驶人员不系安全带和看手机等不安全行为，设计一种基于深度学习的复杂光照下不安全驾驶行为检测方法。该方法以YOLOv8n模型作为基础，实施一系列针对性的改进措施，以提升检测性能。首先，增加P6尺度，使模型能更全面地捕捉各种光照下不安全驾驶行为的多样性；其次，使用空间可分离自适应卷积（SSAC）模块替换主干网络的传统卷积模块，从而在提高特征提取精度的同时实现轻量化；再次，引入通道先验卷积注意力（CPCA），有效增强网络对重要特征的关注，并提升特征的表达能力；最后，使用选择注意特征融合（SAFF）结构替换原有YOLOv8n颈部网络，进一步提升模型的综合性能。实验结果表明，相较于原模型，改进后的YOLOv8n模型整体的平均精度均值（mAP）提升了2.17%；在正常光照条件下提升了1.76%；在夜间场景下提升了1.75%；在逆光环境下提升了2.42%。同时，改进后的YOLOv8n在与其他模型（如YOLO11n和RT-DETR（Real-Time DEtection TRansformer））的对比中，每秒帧数（FPS）达到118，精度与速度兼顾，展现出较明显的优势。

来源：2026年第2期

《计算机应用》期刊编辑部

查看计算机应用杂志2026年第2期