科研之友
微信
新浪微博
Facebook
分享链接
摘要
针对在井工矿辅助运输装备作业复杂环境下，传统车道线检测算法精度低、鲁棒性差等问题，文章提出一种基于深度学习的井工矿车道线检测算法，采用UFLD行索引车道线检测算法，并根据井下实际道路场景，自定义标注车道线规则，建立一种涵盖非结构道路下的车道线数据集，从而实现对井下非结构性道路的车道线检测任务。相较于传统车道线检测算法，该算法充分利用了深度学习中先验知识的有效信息，实现了对不同道路场景下的车道线检测任务的兼容性。通过分析基于自建数据集模型训练及检测指标的评估结果表明，该算法提高了对井下车辆车道线检测任务的能力，为井下辅助运输车辆智能驾驶系统的高阶功能应用奠定了基础，且在提高检测精度的同时，保证了其在检测非结构车道场景车道线任务中的鲁棒性，并通过TensorRT架构进行模型推理加速及部署，验证了其在井工矿场景的有效性和工程化部署的可行性。
