Face aux problèmes des capteurs de distance coûteux, à la faible précision de détection dans les zones complexes et à la lenteur des vitesses de détection dans les technologies traditionnelles de détection d’objectifs et de mesure de distance, cet article propose une technologie de mesure de distance et de reconnaissance des véhicules avant basée sur GGW-YOLOv8. L’algorithme améliore YOLOv8n en introduisant un mécanisme d’attention globale (GAM) avant les têtes de détection des cibles moyennes et grandes, améliorant ainsi la capacité d’extraction des caractéristiques des véhicules en réduisant la perte d’informations et en augmentant l’interaction globale ; un module de convolution léger GSConv est introduit dans le réseau du cou, réduisant le nombre de paramètres et la charge calculatoire grâce à des convolutions séparables en profondeur et des opérations de mélange ; la fonction de perte CIoU d’origine est remplacée par WIoU_v3, améliorant la généralisation et la précision de régression des boîtes englobantes grâce à une stratégie de répartition du gain de gradient par un mécanisme de focalisation dynamique non monotone ; un système de mesure de distance stéréoscopique basé sur l’algorithme de correspondance semi-globale SGBM est construit pour la mesure des distances des véhicules, développant un système hôte intégrant la détection des cibles et la mesure de distance, déployé sur des dispositifs embarqués en edge computing, et testé sur des véhicules réels. Les résultats expérimentaux montrent qu’en comparaison avec le modèle YOLOv8n, le modèle amélioré réduit le nombre de paramètres de 0,3M, la charge de calcul de 0,2G, avec une amélioration de la précision de détection de 0,8% et 4,4% sur les ensembles de données maison et publics respectivement ; sur un site fermé universitaire, l’erreur absolue moyenne de mesure est de 104 mm, l’erreur relative moyenne de 1,49% ; sur route réelle, l’erreur absolue moyenne est de 307,4 mm, l’erreur relative moyenne de 3,29%, le temps moyen par image de 30,12 ms, répondant aux besoins des scénarios de mesure réels.

Détection des véhicules;YOLOv8;Mesure stéréoscopique;Déploiement embarqué