基于轻量化YOLOv8模型的校园安全隐患目标检测应用研究

导读：

校园安全隐患的实时检测是保障师生生命财产安全的重要任务。现有监控系统依赖人工值守，预警滞后，而通用深度学习模型参数量大、计算复杂度高，难以在算力有限的边缘设备上实时运行。针对上述问题，本文提出一种基于协同优化策略的轻量化YOLOv8n校园安全隐患检测方案。该方案并非简单堆叠已有技术，而是遵循“精度保持优先、逐步压缩冗余”的阶梯式设计理念，构建了CBAM注意力机制、Ghost轻量化模块、结构化剪枝与FP16量化的递进式协同体系：CBAM为后续压缩提供特征显著性先验，Ghost从结构源头削减冗余，剪枝在注意力引导下精准剔除不重要通道，量化则以极小精度代价换取边缘端加速。四者形成“精度增强→结构轻量→通道裁剪→数值压缩”的互补链条，每一环节的精度损失由前置或后序操作进行补偿。在自建的三类别校园安全隐患数据集上，改进模型mAP@0.5达到87.4%，较基线仅下降1.8个百分点，参数量从3.01 M降至1.72 M (减少42.9%)，浮点运算量降低约45%。在Jetson Nano和RK3588边缘平台上经TensorRT优化后分别达到31 FPS和48 FPS的实时推理速度。本文构建的多类别统一轻量化检测框架，为民办高校低成本智能化安全监控提供了可落地的技术方案。

作者信息：

冉冰艺：重庆外语外事学院智能科学与工程学院，重庆

论文详情

改进网络结构图见图 3 。

轻量化策略组合效果如表 2 所示。

不同模型性能对比结果如表 3 所示。

基于本文提出的轻量化检测模型，设计并实现了一个校园安全隐患检测系统原型。系统由视频流接 入模块、边缘推理模块、报警逻辑模块和前端展示模块四部分组成。

系统工作流程为：摄像头视频帧持续送入推理模块，模型输出目标类别、置信度和边界框坐标；报 警逻辑对连续 5 帧中同一目标出现次数进行计数，超过 3 帧则触发报警；报警信息通过 MQTT 协议推送至监控中心，前端页面实时更新并在发生入侵或火灾时弹出声光提醒。

本文仍存在一些不足之处：当前自建数据集场景多样性有限，夜间、雨雾等低光照和恶劣天气样本 覆盖不足，影响了模型的泛化能力；剪枝后的模型对相互遮挡严重的小目标仍有一定漏检；尚未探索多模态信息融合和更先进的 Transformer 架构。

doi：

基于轻量化YOLOv8模型的校园安全隐患目标检测应用研究