基于改进YOLO11的电动车车牌检测算法

何馨雨; 林玉龙; 侯舒誉; 时博; 童俊伟; 王佳; 周安亮

doi:10.12404/j.issn.1671-1815.2506919

科学技术与工程 ›› 2026, Vol. 26 ›› Issue (22) :9596-9605 DOI: 10.12404/j.issn.1671-1815.2506919

自动化技术、计算机技术

基于改进YOLO11的电动车车牌检测算法

何馨雨 ¹ ,
林玉龙 ¹ ,
侯舒誉 ¹ ,
时博 ¹ ,
童俊伟 ¹ ,
王佳 ² ,
周安亮 ¹^,^*

作者信息 +

Electric Vehicle License Plate Detection Algorithm Based on Improved YOLO11

HE Xin-yu ¹ ,
LIN Yu-long ¹ ,
HOU Shu-yu ¹ ,
SHI Bo ¹ ,
TONG Jun-wei ¹ ,
WANG Jia ² ,
ZHOU An-liang ¹^,^*

Author information +

文章历史 +

摘要

电动车车牌检测在非机动车管理与城市道路监管中具有重要意义。针对实际场景中车牌图像拍摄角度多变、背景复杂、目标尺寸小及遮挡严重等问题,提出了一种基于改进YOLO11的轻量化电动车车牌检测算法(YOLO11-GCE)。首先,通过融合C3k2结构与Ghost卷积构建C3k2_GhostConv模块,在减少计算冗余的同时增强了骨干网络的特征提取能力;其次,在网络末端引入高效多尺度注意力(efficient multi-scale attention,EMA)模块,通过跨空间学习机制稳定深层语义信息,提升了模型对复杂背景下小目标和模糊车牌的判别力;最后,采用轻量化的GSConv结构替代部分标准卷积,优化了特征融合网络的计算效率,并增强了对多姿态目标的检测性能。通过这些改进的协同作用,YOLO11-GCE在检测精度和推理效率方面均取得了显著提升。实验在自建的电动车车牌数据集上进行,结果表明,YOLO11-GCE的mAP@50:95达到60.8%,相比原始YOLO11提升1.7个百分点,参数量减少约19.8%,在保证检测精度的同时实现了更优的推理效率。

Abstract

Electric vehicle license plate detection is of great significance in non-motor vehicle management and urban road supervision. Aiming at the problems of large changes in shooting Angle, complex background, small target size and serious occlusion of license plate images in actual scenes, an improved YOLO11 license plate detection algorithm integrating lightweight convolution structure and feature enhancement mechanism, called YOLO11-GCE, was proposed. Firstly, the C3k2_GhostConv module was constructed by fusing the C3k2 structure and Ghost convolution, which enhances the feature extraction capability of the backbone network while reducing computational redundancy. Secondly, EMA (efficient multi-scale attention) module was introduced at the end of the network, which stabilizes deep semantic information through a cross-spatial learning mechanism and improves the model's ability to discriminate small targets and blurred license plates in complex backgrounds. Finally, the lightweight GSConv structure was used to replace some standard convolutions, which optimizes the computational efficiency of the feature fusion network and enhances the detection performance for multi-pose targets. Through the synergistic effect of these improvements, YOLO11-GCE achieves significant enhancements in both detection accuracy and inference efficiency. Experiments conducted on a self-built electric vehicle license plate dataset show that the mAP@50:95 of YOLO11-GCE reaches 84.4%, an improvement of 1.7 percentage points over the original YOLO11, with a parameter reduction of about 19.8%, achieving better inference efficiency while ensuring detection accuracy.

Graphical abstract

关键词

电动车 / 车牌检测 / YOLO11 / GhostConv / 高效多尺度注意力(EMA) / GSConv

Key words

electric vehicle / license plate detection / YOLO11 / GhostConv / EMA / GSConv

引用本文

引用格式 ▾

何馨雨, 林玉龙, 侯舒誉, 时博, 童俊伟, 王佳, 周安亮. 基于改进YOLO11的电动车车牌检测算法[J]. 科学技术与工程, 2026, 26(22): 9596-9605 DOI:10.12404/j.issn.1671-1815.2506919

HE Xin-yu, LIN Yu-long, HOU Shu-yu, SHI Bo, TONG Jun-wei, WANG Jia, ZHOU An-liang. Electric Vehicle License Plate Detection Algorithm Based on Improved YOLO11[J]. Science Technology and Engineering, 2026, 26(22): 9596-9605 DOI:10.12404/j.issn.1671-1815.2506919

登录浏览全文

4963

注册一个新账户忘记密码

随着城市交通的发展,电动自行车已成为居民日常生活中不可缺少的出行工具^[1]。然而,电动自行车的广泛使用也带来了诸如违规停放、逆行、无牌无证上路等交通管理难题。为了加强对电动自行车的规范管理,多个地区已开始推行电动自行车实名登记与上牌制度,并在城市交通监控系统中引入针对电动自行车车牌的识别技术。在车牌识别系统中,车牌检测作为第一步,起着决定性作用。车牌检测的准确性直接影响后续字符分割与识别的整体效果。尤其是在复杂的城市环境中,电动自行车车牌存在尺寸小、遮挡多和变形严重等特点,传统检测方法在检测精度和鲁棒性方面难以满足实际需求。因此,研究一种高精度、强鲁棒性且适用于复杂场景的电动自行车车牌检测算法具有重要的现实意义。近年来,基于深度学习的目标检测方法在计算机视觉领域取得了显著成果,尤其是YOLO系列^[2-4]作为单阶段目标检测算法的代表,因其端到端的结构和优异的实时检测性能,被广泛应用于交通监控、无人机航拍及工业质检^[5-7]等领域。但现有方法在电动车车牌检测中仍存在显著局限性:传统YOLO系列采用标准卷积结构,参数量大且计算冗余,在边缘设备部署时实时性不足。例如YOLOv8n的参数量达3.01 M,浮点运算次数(floating point operations,FLOPs)为8.7 GFLOPs,单帧推理时间超过0.025 s;RetinaNet等两阶段算法虽在精度上有一定优势,但多尺度特征融合能力薄弱^[8];最新的YOLOv12算法虽优化了骨干网络,但未针对车牌检测的细粒度特征设计专用模块,在遮挡场景下漏检率将会升高^[9];轻量模型如YOLOv8-Tiny通过简化网络结构实现轻量化,但特征提取能力下降,在低光照场景下mAP50-95较低^[10]。因此,对其结构进行优化改进,以提升电动自行车车牌检测的性能,成为当前研究的热点方向。

近年来,中外研究者针对该问题提出了多种改进方案。Xu等^[11]在YOLOv8中引入SimAM(simple attention module)无参注意力机制,通过优化特征图能量分布,在不增加模型参数的前提下提升检测性能。Li等^[12]将GSConv(group shuffle convolution)引入YOLOv5结构中,以替代传统卷积模块,构建轻量化Slim-Neck结构,在保证检测精度的同时降低了模型复杂度,显著提升检测速度。Zheng等^[13]在ESL-YOLO中提出SCGBiFPN模块,通过空间上下文引导特征融合过程,有效提升非标准化目标的检测能力。Jiang等^[14]在DRBD-YOLOv8中引入DN-ShapeIoU损失函数,结合边界框形状与尺度信息进行优化,增强了小目标的定位准确性。Li等^[15]设计了FSNB-YOLOv8架构,引入BiFPN(bi-directional feature pyramid network)特征融合结构,增强了多尺度特征间的信息交互能力,提高了复杂背景下的检测鲁棒性。此外,Tang等^[16]提出HIC-YOLOv5模型,引入CBAM(convolutional block attention module)注意力机制以增强特征通道的重要性,从而提升小目标检测效果。然而,这些方法在提高检测精度的同时,往往伴随计算量增加或对实时性造成影响。

与YOLOv5、YOLOv7和YOLOv8等前代模型相比,YOLO11^[17]在主干网络与特征融合结构方面进行了进一步优化,能够在保持较高检测速度的同时显著提升小目标与复杂场景下的检测精度。因此,现选择YOLO11作为基础检测框架,在此结构之上提出YOLO11-GCE改进算法,以更好地满足电动车车牌检测在复杂交通环境中对精度和实时性的双重需求。通过融合C3k2结构与Ghost卷积构建C3k2_GhostConv模块以增强特征提取能力并减少冗余计算;在颈部结构中引入EMA注意力机制,以提升复杂背景下的显著特征捕捉能力;同时将部分标准卷积替换为轻量高效的GSConv卷积结构,优化特征融合过程并提升对多姿态车牌的检测表现。该方法在保证检测精度的同时显著提升了推理效率,为复杂交通场景下电动车车牌的快速准确检测提供可行方案。

1 YOLO11模型概述

YOLO11是基于YOLO系列目标检测算法演化发展的一种轻量级、高精度的检测模型,延续了YOLO系列端到端、单阶段检测的整体设计思路。该模型在保持高效实时性的基础上,对网络结构、特征融合方式及检测头进行了优化,使其在目标检测任务中实现了更好的精度与速度平衡。

在整体架构上,YOLO11依旧采用3部分结构:包含Backbone(主干网络)、Neck(特征融合模块)和Head(检测头)。

YOLO11采用改进的CSPDarknet结构作为主干网络,用于从输入图像中提取多层级的语义特征。网络中广泛使用C3模块,以提升特征表达能力,同时保持网络深度的合理性与计算效率。

Neck部分采用FPN(feature pyramid network)与PAN(path aggregation network)相结合的多尺度特征融合结构,用于充分融合浅层与深层的特征信息,增强模型对不同尺寸目标,尤其是小目标的检测能力。

Head部分延续了YOLOv5的三尺度输出机制,分别对应不同大小的目标,最终在各个尺度上进行边界框的回归与分类预测。该机制能够有效提升模型对多尺度目标的适应能力。

2 算法改进

2.1 YOLO11-GCE网络结构

针对电动自行车车牌目标尺度较小、背景复杂易干扰以及实际应用场景对模型轻量化与推理速度要求高等关键问题,提出了一种用于电动自行车车牌检测的算法YOLO11-GCE,在标准YOLO11n网络架构基础上进行了3处核心改进。

(1)针对标准卷积计算量大、参数量多影响模型轻量化的问题,将骨干网络和特征融合网络(neck)中的标准卷积层(conv)替换为轻量高效的GSConv(group shuffle convolution)。

(2)针对特征提取模块冗余度高、特征表达能力有待提升的问题,将骨干网络中的基础特征提取模块C3k2替换为自研的轻量且增强特征表达的C3k2_GhostConv模块。

(3)针对深层特征图中全局信息与通道间依赖关系建模不足的问题,在骨干网络末端引入了EMA注意力机制,这些改进协同作用,旨在提升模型对小尺度车牌目标的检测精度、鲁棒性,同时显著降低模型复杂度和计算开销。下面将详细阐述各改进模块的设计动机与实现细节。具体结构如图1所示。

2.2 GSConv:轻量化特征提取

在深度学习目标检测任务中,模型精度与推理速度同等重要。传统轻量化网络如MobileNet、ShuffleNet虽然利用深度可分离卷积(depthwise separable convolution,DSC)在降低计算量方面效果显著,但在处理特征信息时存在一定损失,尤其是在高精度检测任务中表现不足。为了解决这个问题,GSConv(ghost shuffle convolution)^[12]将标准卷积(standard convolution,SC)与深度可分离卷积(depthwise separable convolution,DSC)进行有机结合,兼顾特征提取能力与计算效率。

GSConv的核心思想是:首先利用SC提取高质量特征,然后通过通道拆分(channel split)将一部分特征送入DSC进行高效计算,最后通过特征拼接(concat)与通道混洗(shuffle)融合两者的输出,实现特征表达的丰富性与轻量化的平衡。这种设计既保留了SC的强特征表示能力,又有效降低了冗余计算,从而减少模型参数量与FLOPs。GSConv模块被引入YOLO11的骨干网络与检测头部分,通过在特征融合阶段使用GSConv,有效提升了模型对细粒度特征的保留能力,并减少了计算量,从而在电动车车牌检测任务中实现了更高的检测精度与更快的推理速度。具体结构如图2所示。

2.3 C3k2_GhostConv:增强的轻量特征模块

在YOLO11网络结构中,针对C3k2模块计算量较大且特征冗余度较高的问题,引入Ghost卷积思想并构建了改进型C3k2_GhostConv模块。该模块在保持原C3k2结构“Split-Transform-Concat”多分支特征融合机制的基础上,将Transform阶段的卷积运算替换为C3k_Bottleneck子结构。Ghost卷积通过将标准卷积分解为主特征生成与廉价特征映射两个过程,以较少的卷积核生成主要特征图,再利用逐通道卷积等低成本操作生成冗余特征,从而在保证特征表达能力的同时显著降低参数量与计算复杂度。Bottleneck_GhostConv结构进一步在残差连接机制的辅助下,实现了浅层与深层特征的有效融合,增强了网络的梯度传播稳定性与细粒度信息提取能力。改进后的C3k2_GhostConv模块不仅在轻量化与特征表征能力之间取得了良好平衡,而且对于电动自行车车牌等小尺寸、细节丰富目标的检测表现出更高的精度与鲁棒性,具有较强的工程应用价值。具体结构如图3所示。

2.4 EMA:高效多尺度注意力机制

为进一步增强模型对高层语义特征的表达能力,提升对电动自行车及其车牌等细粒度目标的检测精度,在YOLO11骨干网络的末端引入了一种高效多尺度注意力机制EMA模块^[18]。该模块在保持较低参数量和计算复杂度的前提下,有效提升了模型对空间上下文信息的建模能力,显著增强了网络对关键区域的关注能力。

EMA模块主要由两个并行子分支构成,分别采用1×1和3×3卷积核结构,以建模局部与全局的空间依赖关系。不同于传统注意力机制常采用的通道压缩策略,EMA避免了通道维度的降采样操作,从而在保持特征完整性的同时减少了信息损失。此外,模块将输入特征图在通道维度上划分为多个子特征组(groups),并将每组视作一个独立的“批次”进行并行卷积处理,有效提升了注意力的计算效率与表达多样性。在1×1分支中,分别沿水平方向和垂直方向执行一维全局平均池化操作以获取空间位置信息,并通过共享的1×1卷积与Sigmoid激活函数生成两个方向的通道注意力权重图。随后,这两个注意力图在每个子组内部进行逐元素相乘融合,增强了通道间的信息交互能力。3×3分支则用于补充局部空间感知能力,扩展感受野并丰富上下文语义信息。

在完成两个分支的特征提取后,EMA引入跨空间学习机制(coss-spatial learning)对两个分支的输出进行融合。该机制通过二维全局平均池化与矩阵点乘操作实现像素级的特征交互,生成两个独立的空间注意力图,并最终进行融合以获得完整的空间注意力响应。该过程不仅保留了全局位置信息,同时增强了模型对关键像素区域的响应能力,有利于提升目标检测中的目标定位精度。

将EMA模块嵌入YOLO11骨干网络的最后一层输出之后,作为高层语义特征的进一步增强模块。其主要作用在于提升深层特征图中目标区域的响应强度,缓解因特征表达能力不足导致的小目标或低分辨目标漏检问题,为检测头提供更加准确和富有判别力的输入特征。具体结构图如图4所示。

3 实验结果及分析

3.1 数据集介绍

由于当前中国电动车车牌尚未实现全面普及,相关研究所需的电动车车牌图像数据尚未形成公开标准数据集,给电动车车牌检测研究带来一定困难。为保障实验的针对性与有效性,构建了一个自定义的电动车车牌图像数据集,并在该数据集上完成所有训练与评估任务。

数据集包含两部分:①自主采集数据,使用智能手机在北京市大兴区、丰台区等区域的居民区、道路两侧、学校门口、地铁口等典型电动车密集场景采集原始图像1 000张;②公开数据集补充,来源于合肥工业大学张腾博士提供的电动自行车车牌数据集^[1],筛选有效样本2 000张。所有图像均使用x-anylabeling工具进行手工标注,标注内容为车牌目标的边界框位置以及目标类别信息。标注格式采用YOLO系列算法所需的TXT格式,每张图像对应一个标签文件,标签内容包括类别编号及边界框中心点坐标与宽高的归一化值。整个标注过程严格遵循统一标准,以保证数据质量和一致性。

考虑到电动车车牌具有显著的小目标特性,且采集数据量相对较少,为进一步提高模型的鲁棒性和泛化能力,对原始图像进行了多种形式的数据增强操作,包括水平翻转、亮度调整、对比度调整、随机裁剪、高斯噪声添加、旋转。最终将训练样本扩展至约11 000张图像,有效缓解了原始样本数量不足的问题,为后续模型训练提供了更丰富的样本基础。

3.2 评估指标

为全面评估所提出改进型YOLO11模型在电动车车牌检测任务中的性能,选取以下5项主流指标进行衡量与对比:精确率(P)、召回率(R)、平均精度(mAP@50和mAP@50:95)、模型参数量(params)以及浮点运算次数(GFLOPs)。各项指标含义及计算方式如下。

(1)精确率用于衡量模型检测出的所有正样本中真正为正样本的比例,反映了模型在预测为正样本时的可靠程度。

(1)P=$\frac{TP}{TP+FP}$×100%

式(1)中:TP为被正确检测为车牌的目标数量;FP为被误检为车牌的非车牌目标数量。

(2)召回率表示模型在所有真实车牌目标中被正确检测出来的比例,反映了模型的检出能力。

(2)R=$\frac{TP}{TP+FN}$×100%

式(2)中:FN为真实存在但未被检测出的车牌目标数量。

(3)平均精度为目标检测任务中最常用的综合评估指标,主要衡量模型在不同置信度阈值下的检测性能。采用两种常用的mAP计算方式:mAP@50表示以IoU阈值为0.5时的平均精度(AP);mAP@50:95表示IoU从0.5到0.95,每隔0.05取一个值,共10个IoU阈值下的平均AP。其中,IoU(intersection over union)为重叠区域的面积比并集区域的面积,表示预测框与真实框的重叠程度。

(3)IoU=$\frac{\mathrm{预}\mathrm{测}\mathrm{框}\mathrm{与}\mathrm{真}\mathrm{实}\mathrm{框}\mathrm{重}\mathrm{叠}\mathrm{区}\mathrm{域}\mathrm{的}\mathrm{面}\mathrm{积}}{\mathrm{预}\mathrm{测}\mathrm{框}\mathrm{与}\mathrm{真}\mathrm{实}\mathrm{框}\mathrm{并}\mathrm{集}\mathrm{区}\mathrm{域}\mathrm{的}\mathrm{面}\mathrm{积}}$

每个类别的AP通过绘制PR(precision-recall)曲线并求出曲线下的面积计算得到,最终对所有类别的AP取平均值即为mAP。

(4)

$AP={\int }_{0}^{1}P\left(R\right)dR$

(5)

$mAP=\frac{1}{N}\sum _{i=1}^{N}A{P}_{i}$

式中:N为类别总数;AP_i为第i类的平均精度。

(4)模型参数量反映了网络结构的复杂程度。参数量越小,模型越轻量,部署效率越高,尤其适合边缘计算设备。通过实际模型构建与summary命令提取参数总量,对比各模型在精度和轻量化之间的权衡能力。

3.3 实验环境

所有实验均在高性能工作站环境下完成,硬件平台包括搭载NVIDIA RTX 3060显卡(显存 12 GB)、Intel i7系列处理器、32 GB内存和1 TB固态硬盘的计算设备。软件环境方面,操作系统为Ubuntu 22.04,使用Python 3.11作为主要开发语言,深度学习框架基于Ultralytics YOLO11系列的开源实现,所依赖的ultralytics库版本为8.3.148,CUDA 版本为11.7,以充分发挥GPU加速能力。整体训练过程在统一的软硬件环境下运行,以确保不同模型改进方案在公平条件下进行性能对比和评估。

为兼顾模型性能与训练效率,在上述环境下对改进的YOLO11模型进行了300轮次的训练。训练参数设置如下。

(1)输入尺寸:采用640×640,兼顾检测精度与计算效率。过小尺寸(如480×480)会导致小目标特征丢失;过大尺寸(如800×800)会使FLOPs增加58%,推理速度下降。

(2)批量大小:设置为32。批量大小16时训练稳定性不足,mAP波动±0.8%;批量大小64时超出GPU显存限制,需采用梯度累积,训练时间增加35%。

(3)优化器:选择SGD(动量0.937),相比 AdamW,在较小目标检测任务中收敛更稳定。

(4)初始学习率:设置为0.01,采用余弦退火策略(退火参数0.2)。学习率0.001时收敛速度慢,训练轮次需增加50%;学习率0.1时易出现梯度爆炸。

(5)训练轮次:300轮。200轮时模型未完全收敛,mAP50-95低2.1%;350轮后出现过拟合,测试集mAP下降0.7%。

(6)权重衰减:0.000 5,平衡模型拟合能力与泛化能力。

其他参数与YOLO11默认值一致,如表1所示。

3.4 消融实验

为了验证所提出的各个模块在改进YOLO11模型中的有效性,设计并实施了一系列消融实验,分别在基线模型上逐步引入EMA模块、C3k2_GhostConv模块和GSConv模块,其中,EMA模块能够有效提升模型训练的稳定性与收敛速度,C3k2_GhostConv模块通过轻量化的结构设计实现高效的特征提取,GSConv模块则从优化卷积运算角度增强模型的表达能力。最终将EMA、C3k2_GhostConv和GSConv三者进行有机集成,构建出完整的改进模型YOLO11-GCE。为确保实验结果的可靠性与可比性,所有实验均在完全相同的训练配置与数据集条件下进行对比评估。主要评估指标包括准确率(P)、召回率(R)、mAP@50、mAP@50:95及模型参数量(Params),实验结果如表2所示。

首先,在YOLO11基础模型上引入EMA模块后,精确度P由96.5%提升至98.1%,mAP@50 和mAP@50:95分别提升0.5%和1.3%,说明EMA能够有效增强模型对关键特征的关注度,提高在复杂背景下的判别能力。尽管Recall略有下降,但整体检测精度得到增强。

进一步加入C3k2_GhostConv模块后,模型参数量由2.59 M降至2.39 M,减少近8.0%,计算量由6.4 GFLOPs降至5.9 GFLOPs,同时保持较高的检测精度(mAP@50为77.5%)。这表明C3k2_GhostConv 在削减冗余卷积计算的同时,能够保持对细粒度特征的提取能力,兼顾轻量化与检测性能。

当加入GSConv轻量化特征融合模块后,计算量进一步下降至5.7 GFLOPs,参数量减至2.35 M,mAP@50和mAP@50:95分别提升至78.2%和60.3%,验证了GSConv在提升通道融合效率、强化多尺度特征表达方面的优势。

最终,将上述3项改进模块集成构建为完整模型YOLO11-GCE,该模型在参数量降至2 073 027的同时,达到了98.6%准确率、71.5%召回率、78.1%的mAP@50和60.8%的mAP@50:95,以及最低的推理时间,在所有对比模型中表现最优,验证了各模块的互补性与改进的有效性。综上所述,所提出的模块不仅提升了模型在复杂背景下对电动车车牌的检测能力,同时有效降低了模型复杂度,具备良好的工程部署价值。

3.5 对比实验

为验证所提出的改进YOLO11-GCE算法在复杂背景下电动车车牌检测任务中的综合性能优势,选取了目前主流的YOLO系列检测模型,包括YOLOv13、YOLOv12、YOLO11、YOLOv10n、YOLOv8和YOLOv5作为对比基准,并在相同数据集与训练配置下进行性能测试,结果如表3所示。

从表3的数据可以看出,所提出的YOLO11-GCE模型在综合性能上表现出最强的竞争力,实现了精度与效率的最优平衡。

在检测精度方面,YOLO11-GCE在多个关键指标上均处于领先地位。其精确率(P)达到98.6%, mAP@50高达78.1%,而作为核心评估指标的mAP@50∶95也达到了60.8%,均为所有对比模型中的最高值。与同样追求轻量化的YOLOv10n相比,YOLO11-GCE在mAP@50∶95上增长了1.0个百分点;与最新发布的YOLOv13相比,优势则进一步扩大了3.8个百分点,显示了其卓越的检测精度。

为评估YOLO11-GCE在实际部署中的可行性,需对其计算复杂度、推理效率和模型大小进行分析。

YOLO11-GCE的参数量为2.07 M,相比基线YOLO11(2.58 M)减少了19.8%,优于其他对比模型。这使其对存储资源需求更低,适合边缘设备部署。

从计算量(GFLOPs)与推理速度来讲,YOLO11-GCE的GFLOPs仅为5.2,远低于其他模型,意味着其单次前向传播计算量更少,推理速度更快,对实时视频流处理至关重要。此外,在相同硬件和训练轮次下,由于模型结构更轻量,YOLO11-GCE的单轮训练耗时相对更短,总训练时间具有一定优势。综上,YOLO11-GCE通过轻量化设计,有效降低了模型参数量和计算复杂度,验证了其在实时性和资源适应性方面的优越性。

3.6 泛化实验

为了验证所提出的YOLO11-GCE模型中的改进策略是否具备良好的通用性,而不仅是针对特定车牌数据集的优化,进行了一项泛化能力验证实验。选取公开的UA-DETRAC车辆检测数据集,与本文中的电动车车牌任务差异较大,可有效检验模型的迁移学习与泛化能力。在该数据集上,使用相同的超参数配置分别训练了基线YOLO11模型与本文中的YOLO11-GCE模型,其在测试集上的性能对比如表4所示。从表4的结果可以清晰地看到,在通用的车辆检测任务上,YOLO11-GCE的各项性能指标均显著优于基线YOLO11模型。

该实验结果有力地证明了,所融合的C3k2_GhostConv、EMA注意力机制和GSConv等轻量化改进模块,不仅对较小尺寸目标的检测成效卓著,其提升特征提取和融合效率的设计思想同样适用于更广泛、更多样化的目标检测任务。这证实了 YOLO11-GCE模型具有优秀的泛化能力和广泛的应用潜力。

3.7 可视化与可解释性分析

为了更加直观地展示YOLO11-GCE在不同复杂场景下的检测效果,选取了5个具有代表性的电动车车牌场景,并将YOLO11与YOLO11-GCE的检测结果进行对比,可视化结果如图5所示。

从图5可以看出,YOLO11在复杂背景下容易出现误检或漏检的情况。例如,在夜间或光照不足的场景中,部分小尺寸车牌检测置信度较低,甚至出现车牌边界框偏移的情况。而改进后的YOLO11-GCE模型能够更稳定地识别车牌区域,其检测框更加贴合真实位置,且置信度普遍高于基线模型。在目标遮挡与多车密集的场景中,YOLO11存在对部分重叠车牌识别不完整的问题,而YOLO11-GCE凭借改进的C3k2_GhostConv模块和GSConv结构,能够有效提取细粒度特征,准确分离并定位不同车牌目标,减少了漏检现象。此外,在车牌尺寸较小或存在模糊的情况下,YOLO11检测结果的置信度普遍偏低,而YOLO11-GCE依托EMA模块增强的语义特征表达,能够保持较高的检测精度。

在可解释性方面,YOLO11-GCE的性能提升源于各模块对特征的有效处理。C3k2_GhostConv用更少参数捕捉丰富信息;关键的EMA注意力机制使模型能自适应地“关注”车牌区域,抑制背景干扰;GSConv则促进了多层级特征的有效融合。这些设计使模型的决策过程更具针对性和高效性,从而实现了更可靠的检测。

总体来看,YOLO11-GCE在不同复杂场景下均表现出更强的鲁棒性和稳定性,尤其在光照变化、目标密集及小尺寸车牌检测任务中,表现出较为显著的优势。这进一步验证了所提出的改进方法在实际交通环境中的适用性与实用价值。

3.8 鲁棒性分析

为验证算法在恶劣环境下的可靠性,模拟了真实场景中常见的图像质量下降情况。通过在测试集中分别添加高斯噪声(模拟传感器噪声和低光照信号干扰)和椒盐噪声(模拟传输错误和坏点),对比了YOLOv8、YOLO11(基线)与本文模型的检测性能。实验结果如表5所示。

在引入噪声干扰后,所有模型的检测精度均出现不同程度的下降。然而,YOLO11-GCE在所有测试条件下始终保持最高的检测精度。YOLO11-GCE凭借EMA注意力机制对特征的聚焦能力,以及GSConv模块更高效的特征传递,有效抑制了噪声对特征提取的破坏,始终维持着较高的性能水准。

这充分证明了所提出的改进策略,特别是EMA注意力机制,在提升模型鲁棒性方面的有效性。EMA通过其跨空间学习能力,能够更好地从带有噪声的特征图中分辨出关键的语义信息,并过滤掉大部分随机噪声的干扰,从而在图像质量受损时依然能保持较高的检测精度。该实验结果表明,YOLO11-GCE在实际部署中面对低质量图像时,具有更强的可靠性。

4 结论

针对复杂交通场景下电动车车牌检测中存在的小目标尺寸、背景复杂、光照变化大以及目标易遮挡等问题,提出了一种基于YOLO11的改进型检测算法YOLO11-GCE,得出如下结论。

(1)该方法在YOLO11的基础上,引入C3k2_GhostConv模块以提升特征提取能力和计算效率,加入EMA模块以增强深层语义特征的稳定性,并采用轻量化的GSConv结构替代部分卷积层,从而优化特征融合过程并提升对多姿态车牌目标的检测表现。

(2)在自建的电动车车牌数据集上开展的实验表明,YOLO11-GCE在mAP50:95指标上相比原始YOLO11提高了1.7个百分点,参数量减少约19.8%,在保证检测精度的同时实现了更优的推理效率。引入的外部数据集进一步验证了改进模型的泛化性能。

(3)可视化分析进一步验证了改进模型在复杂背景、低光照以及密集小目标场景中的优势,表现出更强的鲁棒性和实际应用价值。

尽管YOLO11-GCE表现出色,但仍存在一些局限性与可改进之处。首先,所用数据集规模有限,未来可在更大规模、更多样化的数据集上验证,以增强模型的泛化能力。其次,鲁棒性测试主要通过模拟噪声进行,未来可采集更多真实动态场景下的数据进行验证。未来的研究可探索:将该轻量化设计思想应用于更多样化的检测任务(如工业缺陷检测、遥感图像分析等),以进一步挖掘其通用性;结合模型剪枝、量化等技术进一步压缩模型,以适应资源极其有限的嵌入式设备。

综上,所提出的YOLO11-GCE模型在电动车车牌检测任务中兼顾了检测精度与模型轻量化,为智能交通系统中的车牌监管提供了有效解决方案。

参考文献

原文顺序 | 出版日期 | 本文引用

[1]	张腾. 基于深度学习的电动自行车车牌识别方法研究[D]. 合肥: 合肥工业大学, 2023.

[2]	Zhang Teng. Research on electric bicycle license plate recognition method based on deep learning[D]. Hefei: Hefei University of Technology, 2023.

[3]	Jiang P, Ergu D, Liu F, et al. A review of YOLO algorithm deve-lopments[J]. Procedia computer science, 2022, 199: 1066-1073.

[4]	Ali ML, Zhang Z. The YOLO framework: a comprehensive review of evolution, applications, and benchmarks in object detection[J]. Computers, 2024, 13(12). DOI: 10.3390/computers13120336.

[5]	Wang X, Li H, Yue X, et al. A comprehensive survey on object detection YOLO[C]// International Symposium on Advanced Technologies and Applications in the Internet of Things (ATAIT). Kusatsu: ATAIT, 2023: 261125293.

[6]	李志昂, 肖小玲, 周绍发. 基于改进的YOLOv5s小目标船舶遥感图像检测[J]. 科学技术与工程, 2025, 25(2): 657-666.

[7]	Li Zhiang, Xiao Xiaoling, Zhou Shaofa. Small target ship remote sensing image detection based on improved YOLOv5s[J]. Science Technology and Engineering, 2025, 25(2): 657-666.

[8]	郭宇阳, 胡伟超, 戴帅, 等. 面向路侧交通监控场景的轻量车辆检测模型[J]. 计算机工程与应用, 2022, 58(6): 192-199.

[9]	Guo Yuyang, Hu Weichao, Dai Shuai, et al. Lightweight vehicle detection model for roadside traffic monitoring scene[J]. Computer Engineering & Applications, 2022, 58(6): 192-199.

[10]	张迪, 周安亮, 温猛, 等. 基于改进YOLOv8n的引晶工艺质量缺陷检测[J]. 科学技术与工程, 2025, 25(3): 969-976.

[11]	Zhang Di, Zhou Anliang, Wen Meng, et al. Quality defect detection of crystal drawing process based on improved YOLOv8n[J]. Science Technology and Engineering, 2025, 25(3): 969-976.

[12]	Lin T Y, Goyal P, Girshick R, et al. Focal loss for dense object detection[C]// Proceedings of the IEEE International Conference on Computer Vision. Venice: IEEE, 2017: 2980-2988.

[13]	Ultralytics. YOLOv12 official documentation[EB/OL]. [2025-09-01] https://docs.ultralytics.com/models/yolov12/.

[14]	Huang Z, Wang H, Wang Q. Research on real-time target identification method for slope slip risk based on YOLOv8-Tiny[C]// 4th International Conference on Cloud Computing, Big Data Application and Software Engineering (CBASE). New York: IEEE, 2025: 243-247.

[15]	Xu Y, Du W, Deng L, et al. Ship target detection in SAR images based on SimAM attention YOLOv8[J]. IET Communications, 2024, 18(19): 1428-1436.

[16]	Li H, Li J, Wei H, et al. Slim-neck by GSConv: a lightweight-design for real-time detector architectures[J]. Journal of Real-Time Image Processing, 2024, 21(3). DOI: 10.1007/s11554-024-01436-6.

[17]	Zheng X, Qiu Y, Zhang G, et al. ESL-YOLO: small object betection with effective feature enhancement and spatial-context-guided fusion network for remote sensing[J]. Remote Sensing, 2024, 16.DOI: 10.3390/rs16234374.

[18]	Jiang P, Yang X, Wan Y, et al. DRBD-YOLOv8: a lightweight and efficient anti-UAV detection model[J]. Sensors, 2024, 24.DOI: 10.3390/s24227148.

[19]	Li J, Wu J, Shao Y. FSNB-YOLOV8: improvement of object detection model for surface defects inspection in online industrial systems[J]. Applied Sciences, 2024, 14.DOI: 10.3390/app14177913.

[20]	Tang S, Zhang S, Fang Y. HIC-YOLOv5: improved YOLOv5 for small object detection[C]// IEEE International Conference on Robotics and Automation (ICRA). Yokohama: IEEE, 2024: 6614-6619.

[21]	Khanam R, Hussain M. YOLO11: an overview of the key architectural enhancements[J]. arXiv Preprint arXiv: 2410.17725, 2024.

[22]	Ouyang D, He S, Zhang G, et al. Efficient multi-scale attention module with cross-spatial learning[C]// IEEE International Conference on Acoustics, Speech and Signal Processing (ICASSP). Rhodes Island: IEEE, 2023: 1-5.

基金资助

北京印刷学院青年卓越项目(Ea202408)

国家科技重大专项(2026ZD1611400)

PDF (13849KB)

访问

被引

详细

导航

Received	Published	Revised
2025-09-26	2026-08-08	2026-01-12
Online Date
2026-09-03

摘要