Um das Problem der niedrigen Erkennungsgenauigkeit aufgrund der kleinen Zielvolumina von Verkehrsschildern in autonomen Fahrszenarien und deren Anfälligkeit für Umweltstörungen sowie die begrenzte Rechenleistung und den Stromverbrauch von Fahrzeugplattformen, die komplexe Modelle kaum unterstützen können, zu lösen, wird in diesem Artikel ein verbessertes leichtgewichtiges Erkennungsalgorithmus YOLO-DyMiF (Dynamic Mixer and Feature Fusion) vorgestellt. Das Modell basiert auf YOLOv10n und beinhaltet zwei Verbesserungen: Erstens wird ein effizienter dynamischer Mischer basierend auf adaptiver effizienter Faltung (Adaptive Efficient Conv, AEConv) entworfen und in das C3k2-Modul eingebettet, um das C3k2_EDMS-Modul zu bilden, das das C2f-Modul im YOLOv10n-Modell ersetzt und dabei effektiv den Parameterumfang komprimiert, während die Fähigkeit des Backbones zur Merkmalsdarstellung erhalten bleibt; zweitens wird ein dynamisches Merkmalsfusions-Halsnetzwerk mit einem hierarchischen multi-skalierten räumlichen Verstärkungsmodul (Hierarchical Multi-scale Spatial Enhancement, HMSE) entworfen, das durch Schichtüberschreitung und adaptive gewichtete Fusion die multiskalige Merkmalsrepräsentation verbessert und dabei gleichzeitig die Erkennungsleistung von mittleren und großen Zielen sicherstellt und die Erkennungsgenauigkeit von kleinen Verkehrszeichen erhöht. Die experimentellen Ergebnisse auf dem TT100K-Datensatz zeigen, dass der YOLO-DyMiF-Algorithmus im Vergleich zum derzeit führenden Mamba-YOLOt eine Steigerung des mAP50 um 1 % erzielt, die Modellparameteranzahl um 58,3 % reduziert und den Rechenaufwand um 42,3 % senkt. Das vorgeschlagene Modell kann die Rechenkosten signifikant senken und gleichzeitig eine hohe Erkennungsgenauigkeit gewährleisten, wodurch es eine zuverlässige technische Unterstützung für die Verkehrsschilderkennung in autonomen Fahrszenarien bietet.

Objekterkennung;Verkehrsschilder;Autonomes Fahren;multiskalige Objekte;Edge Computing