重庆交通大学交通运输学院何永福团队在《浙江大学学报(工学版)》发表论文《考虑跨层特征融合的抛洒风险车辆检测方法》，针对现有检测方法关键特征提取不足、跨层融合不充分的问题，提出SRVDNet抛洒风险车辆检测方法，经真实高速公路货运车辆数据集验证，检测精度达81.5%，显著优于主流算法，为高速公路抛洒物源头治理提供了高效解决方案。
当前高速公路货运车辆占比已达40%，货物抛洒引发的事故频发，但现有研究多聚焦抛洒后的被动检测，缺乏事前风险识别能力。主流YOLO系列检测算法存在特征融合局限，易导致少量货物车辆漏检、满载货物与篷布混淆等问题，难以满足复杂场景检测需求。
为此，团队研发的SRVDNet算法构建了“骨干网络+颈部网络+头部网络+辅助可逆分支”的完整框架。骨干网络引入大核可选择性感受野机制，能动态调整感受野，精准捕捉货车车厢类型、货物形状等关键风险特征;颈部网络创新聚集-分发特征融合机制，实现跨层特征直接融合，有效保留浅层细节纹理与深层语义信息，解决了特征丢失难题。辅助可逆分支仅用于训练阶段，既提升模型检测能力，又不增加推理阶段的参数量与耗时。
实验采用G4202成都绕城高速真实数据集，包含2407张图像、8232个货运车辆样本，涵盖无风险、低风险、高风险三类场景。对比实验显示，该方法的mAP@0.5指标较YOLOv5、YOLOv8、YOLOv9等主流算法分别提升3.70%、2.86%、2.00%，检测速度达69帧/秒，模型参数量仅62.7MB，兼顾精度与实时性。
在货物装载不规则、少量货物、满载货物等复杂场景中，SRVDNet表现突出，有效解决了传统算法漏检、误检问题。特征可视化分析显示，该算法对货车货箱区域的注意力覆盖更全面，在近景、远景、车辆遮挡等高速常见场景中仍保持高提取能力。
该研究成果不仅突破了现有车辆检测技术的瓶颈，还可复用现有高速公路监控摄像头实现实时预警，为智能交通安全风险防控提供了重要技术支撑，对提升高速公路通行安全、降低事故发生率具有重要现实意义。
