科研之友
微信
新浪微博
Facebook
分享链接
摘要
近年来矿用卡车自动驾驶的兴起，使得障碍检测变得至关重要，露天矿区非结构化道路复杂多变，时常出现碎石、坑洼等小目标或多尺度行车障碍，严重危害行车安全。因此，笔者提出一种基于双向特征融合的露天矿区道路障碍检测方法。通过实地采集并使用数据扩增方法对露天矿障碍图像数据集进一步细分及扩充，并在特征提取阶段提出了更适用于障碍检测的RepVGG+骨干网络结构。在特征融合阶段，提出基于SimAM空间与通道注意力和跨阶段连接的双向特征融合金字塔模型。通过扩大预测小目标障碍的特征图和特征感受野，提升小目标障碍检测性能，通过双向特征融合机制提升多尺度检测性能。同时对网络分类预测模块的卷积层和先验框尺寸进一步调整，提升障碍检测性能，降低特征冗余，加快模型推理速度。在模型的损失函数方面，针对训练中样本不均衡和障碍物边界框定位不精准问题，使用融合标签平滑正则化的Focal Loss作为分类损失函数，GIoU Loss作为边界框损失函数进一步优化露天矿区障碍模型。实验表明本文方法能有效识别复杂背景下露天矿区非结构化道路障碍物，在实际应用中，检测精度达到了91.76%,检测速度达到56.76 fps,相较于主流检测方法有着更好的小目标和多尺度目标检测性能，可以满足露天矿区无人矿卡行进中的障碍安全检测要求。
- 单位
