改进YOLOv8在机场行李追踪技术中的应用

"该文提出了一种针对机场行李分拣场景的改进YOLO-v8多目标追踪技术，结合ByteTrack算法，旨在解决传统追踪算法在目标ID切换率和轨迹误报率上的问题。通过增加CBAM模块、替换ADH解耦头、调整损失函数，提升了检测精度和目标特征判别性，从而降低ID切换率。同时，采用GSI插值后处理优化Byte数据关联，改善了遮挡情况下的追踪效果，有效减少了ID错误切换。在实际测试中，该方法在机场行李分拣数据集上的MOTA和IDF1指标分别达到89.9%和90.3%，显著提升了追踪性能。该研究由曹超和顾幸生合作完成，受到国家自然科学基金的支持，涉及计算机视觉领域的应用。" 本文探讨了在机场行李分拣过程中如何改进目标跟踪技术，以提高效率和准确性。传统的多目标追踪算法在处理复杂环境，如行李分拣区域，时常面临目标ID频繁切换和轨迹误报的挑战。针对这些问题，研究者引入了基于YOLO-v8的深度学习模型，并对其进行了优化。YOLO（You Only Look Once）系列是著名的实时目标检测系统，而YOLO-v8是其最新的版本，通过不断迭代和优化，提升了检测速度和精度。 首先，作者在YOLO-v8中加入了CBAM（Convolutional Block Attention Module），这是一种注意力机制，能增强模型对关键特征的识别能力，有助于区分相似的目标，降低ID切换的可能性。其次，他们替换掉了原模型的ADH解耦头，这可能是为了更好地提取和融合不同级别的特征，以提升检测的准确性和鲁棒性。此外，训练过程中损失函数的改变也是为了进一步优化模型的性能，使模型能够更精确地定位和分类目标。 在追踪环节，文章采用了ByteTrack算法，这是一个基于检测的多目标追踪框架。为了克服遮挡导致的追踪问题，研究者应用了GSI（Global Similarity Index）插值后处理技术，这种策略可以充分利用不同置信度分数的检测框，即便是在长时间遮挡后也能保持稳定的目标追踪，减少了ID错误切换的发生。 实验结果表明，这一改进的追踪技术在机场行李分拣数据集上的表现显著优于传统方法，MOTA（Multiple Object Tracking Accuracy）和IDF1（Identity F1 Score）这两个关键评价指标分别达到了89.9%和90.3%，证明了该技术的有效性。这一成果对于提高机场行李处理的自动化水平，减少人工干预，提高服务质量具有重要意义。 该研究由曹超和顾幸生两位学者共同完成，曹超是硕士研究生，专注于计算机视觉的研究；顾幸生则是博士和教授，其研究领域广泛，包括工业过程控制、生产调度、故障诊断和智能优化方法。他们的工作得到了国家自然科学基金的支持，相关论文在网络首发平台上已正式发布，标志着这一技术的初步成熟和应用潜力。