基于ECA-BiFPN-YOLO与DCP预处理的智能交通监控实时安全带轻量化检测框架

《Scientific Reports》：A lightweight YOLO based framework for real-time seat belt detection in intelligent traffic surveillance

　　

道路交通事故仍是全球死亡的主要原因，正确使用安全带可显著降低重伤和死亡风险。因此，通过自动化交通监控系统确保合规十分必要；然而，由于光照变化、遮挡、挡风玻璃反射以及安全带与车辆内饰之间的低对比度，可靠的实时检测仍具挑战。本文提出一种面向任务的轻量化检测框架，称为ECA-BiFPN-YOLO，专为真实条件下的稳健安全带检测而设计。该方案系统整合高效特征生成、轻量化注意力、自适应多尺度融合和可见性增强，以应对退化环境中细薄目标检测的独特挑战。该框架引入GhostC2f模块和深度可分离卷积（depthwise convolutions）以提高计算效率，引入高效通道注意力（Efficient Channel Attention, ECA）以改善通道级特征判别，并引入具有可学习加权融合的双向特征金字塔网络（Bidirectional Feature Pyramid Network, BiFPN）以获得稳定的多尺度表示。此外，采用基于暗通道先验（Dark Channel Prior, DCP）的预处理流程增强低光照和雾霾场景中的可见性。在SeatBelts-V1数据集和跨域数据集（cross-domain dataset）上进行的大量实验表明，所提框架在NVIDIA T4 GPU上实现95.6%的mAP@50，同时保持实时推理性能（每幅图像11.5 ms，~85 FPS）。对比研究和消融研究证实，所提设计在准确性、效率和鲁棒性之间提供了有效平衡。这些结果凸显了所提框架在大规模智能交通监控系统中的实际适用性，尤其是在资源受限和真实部署场景中。

研究背景与问题。道路交通事故仍是全球伤害和死亡的重要原因，安全带使用可显著降低碰撞中的伤害严重度和死亡率，但依靠人工执法实现大规模合规不现实，因此需要自动化、可扩展的视觉监控系统。真实智能交通监控（intelligent traffic surveillance）中的安全带检测（seat belt detection）受到光照不良、挡风玻璃反射、驾驶员姿态或衣物造成的遮挡，以及安全带与车辆内饰低对比度等因素影响；早期基于手工特征和边缘启发式的方法鲁棒性有限且难以泛化。深度学习目标检测尤其是YOLO系列提升了实时识别能力，轻量单阶段检测器适合嵌入式与边缘应用，但现有安全带检测仍存在细长结构检测困难、低光照/雾霾/反射等恶劣可见性下鲁棒性不足，以及实时部署下精度与计算效率难以平衡等问题。因此研究人员开展面向任务和部署的ECA-BiFPN-YOLO轻量化框架研究，系统整合高效特征提取、轻量化注意力、自适应多尺度融合和可见性增强，以改善细薄目标场景下的检测可靠性。实验在SeatBelts-V1数据集和跨域数据集上评估，结果表明该框架在NVIDIA T4 GPU上达到95.6% mAP@50（mean Average Precision at IoU threshold 0.50），同时保持每幅图像11.5 ms（~85 FPS，frames per second）的实时推理性能；对比和消融研究证实其在准确性、效率和鲁棒性之间取得有效平衡，对大规模智能交通监控、资源受限和真实部署场景具有实际意义。

关键技术方法。SeatBelts-V1源自印度城市交叉口、收费站和高速公路监控图像，共9,692幅（训练/验证/测试为8,641/706/345幅）；跨域数据集1,200幅（含安全带720幅、不含480幅）。三名专家盲标，Cohen’s Kappa（κ）为0.92，边界框交并比（Intersection over Union, IoU）一致性≥0.85。模型集成GhostC2f、深度可分离卷积（depthwise convolution）、高效通道注意力（Efficient Channel Attention, ECA）、可学习WeightedAdd融合的双向特征金字塔网络（Bidirectional Feature Pyramid Network, BiFPN）和无锚检测头，并采用基于Kornia的GPU加速暗通道先验（Dark Channel Prior, DCP）预处理；增强含随机水平翻转、高斯模糊、HSV抖动和马赛克；在NVIDIA A100 GPU（80 GB VRAM）上以640×640、AdamW、余弦退火训练120轮、批大小64，后期引入量化感知训练（Quantization-Aware Training, QAT）。

研究结果。消融研究：以YOLOv8n为基线，逐步加入深度可分离卷积、GhostC2f、ECA、BiFPN和DCP。深度可分离卷积使FLOPs由28.4降至10.0 GFLOPs并降低延迟但精度下降；GhostC2f恢复表示能力并使mAP提高7.9%，FLOPs降至3.3；ECA带来2.7% mAP增益且开销很小；可学习权重BiFPN改善多尺度一致性和定位精度（AP₇₅），但略增FLOPs和延迟；最终模型达95.6% mAP@50、6.2 GFLOPs（十亿次浮点运算）和NVIDIA T4 GPU上11.5 ms实时延迟。暗通道先验（DCP）预处理的隔离消融：在最佳日光条件下DCP几乎不产生光学变换，精度统计上相同；在重雾霾或强眩光下，未增强网络mAP降至83.4%，GPU加速DCP可恢复丢失结构梯度并保持93.8% mAP，仅增加0.3 ms开销，是24小时真实运行的高度优化必要步骤。定性分析：在SeatBelts-V1及外部跨源数据集上，模型在反射/雾霾、低照度、遮挡和低对比度场景中保持稳定置信度和准确定位；跨相机类型、光照和车辆内饰变化下仍具一致性，显示跨域泛化能力。与最先进方法比较：与SSD、YOLOX、Faster R-CNN及YOLOv8n、YOLOv10n、YOLOv11n比较（原文该处称SeatBelts-1M数据集），ECA-BiFPN-YOLO取得最高mAP@50（95.6%）、Precision（94.2%）和Recall（93.0%）；较YOLOv11n分别高4.4%、4.1%和6.1%，11.5 ms（~85 FPS）端到端延迟仍优于30–60 FPS交通相机物理帧率限制。性能洞察与关键要点：精度提升验证GhostC2f、ECA和BiFPN的协同贡献；85 FPS（11.5 ms/幅）适合大规模实时部署；跨域数据集上保持AP₅₀ 93.5%；精确率–召回率曲线显示全召回水平下高精确率，最高Precision为94.2%，利于减少自动执法误报。实际意义：3 MB轻量架构支持高通量实时交通监控；6.2 GFLOPs和低内存需求适配收费站、路口或移动执法单元的嵌入GPU与低功耗边缘加速器；跨区域泛化支持多城市部署；DCP预处理、轻量注意力和多尺度融合保证雾霾、反射、遮挡和夜间场景下可靠运行。

讨论部分总结。讨论强调任务特定架构协同优于直接部署通用最先进模型；ECA隔离高频纹理微梯度并抑制相似伪目标材质通道，BiFPN提供语义空间锚定，使有效安全带应从车辆B柱或肩部区域延伸至对侧髋部锚点，不满足该结构轨迹的斜线特征被自适应降权，从而在最终阈值前抑制误报；DCP作为环境前置条件恢复雾霾和眩光下丢失的物理梯度。整体上，各模块互补形成闭环，兼顾低对比度细薄目标检测的准确性、效率和鲁棒性。

研究结论翻译。本文提出ECA-BiFPN-YOLO，一种面向部署的轻量化框架，用于智能交通监控系统中准确实时安全带检测。该模型有效整合基于GhostC2f的高效主干、用于细化特征选择的高效通道注意力（ECA）以及用于稳健多尺度融合的可学习BiFPN；基于DCP的预处理流程进一步增强低对比度和退化成像条件下的可见性。在SeatBelts-V1数据集上的实验结果表明，该方法以较低计算成本（6.2 GFLOPs）和实时推理速度（每幅图像11.5 ms）达到95.6% mAP@50，优于若干已有检测模型。定量和定性评估均证实其对细薄和低对比度安全带结构的敏感性提高，并在不同光照、遮挡和反射场景中保持稳定定位；跨域评估进一步显示强泛化能力，支持跨多样环境的实际部署。未来工作将聚焦于扩展数据集多样性、通过剪枝和量化优化模型以适配超低功耗边缘设备，并将框架扩展至多任务驾驶员行为分析。总体而言，所提框架提供了稳健、高效和可扩展的解决方案，有助于更安全、更可靠的人工智能（AI）驱动交通监控系统。