坑洼是一种常见的路面病害,会降低行车安全,准确快速地检测路面坑洼较为重要。针对现有坑洼检测方法在小目标和密集目标的场景下检测精度不高的问题,文中提出了一种改进YOLOv5(You Only Look Once version 5)模型。在YOLOv5的主干网络...坑洼是一种常见的路面病害,会降低行车安全,准确快速地检测路面坑洼较为重要。针对现有坑洼检测方法在小目标和密集目标的场景下检测精度不高的问题,文中提出了一种改进YOLOv5(You Only Look Once version 5)模型。在YOLOv5的主干网络中引入CBAM(Convolutional Block Attention Module)来提高模型对关键特征的注意能力,将YOLOv5的损失函数改为EIoU(Efficient Intersection over Union)来提高模型对目标的检测精度。实验结果表明,所提模型能够在小目标和密集目标的场景下快速准确地检测路面坑洼,在开源数据集Annotated Potholes Image Dataset中的mAP(mean Average Precision)达到了82%,较较于YOLOv5和其他主流方法也有所提高。展开更多
基于视频的目标检测在恶劣天气情况下识别效果较差,故需弥补视频缺陷、提高检测框架的鲁棒性。针对此问题,文中设计了一个基于雷达和视频融合的目标检测框架,利用YOLOv5(You Only Look Once version 5)网络获得图片特征图与图片检测框,...基于视频的目标检测在恶劣天气情况下识别效果较差,故需弥补视频缺陷、提高检测框架的鲁棒性。针对此问题,文中设计了一个基于雷达和视频融合的目标检测框架,利用YOLOv5(You Only Look Once version 5)网络获得图片特征图与图片检测框,利用基于密度的聚类获得雷达检测框,并将雷达数据进行编码,得到基于雷达信息的目标检测结果。最后将两者的检测框叠加得到新ROI(Region of Interest),并得到融合雷达信息后的分类向量,提高了在极端天气下检测的准确率。实验结果表明,该框架的mAP(mean Average Precision)达到了60.07%,且参数量仅为7.64×10^(6),表明该框架具有轻量级、计算速度快、鲁棒性高等特点,可以被广泛应用于嵌入式与移动端平台。展开更多
文摘坑洼是一种常见的路面病害,会降低行车安全,准确快速地检测路面坑洼较为重要。针对现有坑洼检测方法在小目标和密集目标的场景下检测精度不高的问题,文中提出了一种改进YOLOv5(You Only Look Once version 5)模型。在YOLOv5的主干网络中引入CBAM(Convolutional Block Attention Module)来提高模型对关键特征的注意能力,将YOLOv5的损失函数改为EIoU(Efficient Intersection over Union)来提高模型对目标的检测精度。实验结果表明,所提模型能够在小目标和密集目标的场景下快速准确地检测路面坑洼,在开源数据集Annotated Potholes Image Dataset中的mAP(mean Average Precision)达到了82%,较较于YOLOv5和其他主流方法也有所提高。
文摘基于视频的目标检测在恶劣天气情况下识别效果较差,故需弥补视频缺陷、提高检测框架的鲁棒性。针对此问题,文中设计了一个基于雷达和视频融合的目标检测框架,利用YOLOv5(You Only Look Once version 5)网络获得图片特征图与图片检测框,利用基于密度的聚类获得雷达检测框,并将雷达数据进行编码,得到基于雷达信息的目标检测结果。最后将两者的检测框叠加得到新ROI(Region of Interest),并得到融合雷达信息后的分类向量,提高了在极端天气下检测的准确率。实验结果表明,该框架的mAP(mean Average Precision)达到了60.07%,且参数量仅为7.64×10^(6),表明该框架具有轻量级、计算速度快、鲁棒性高等特点,可以被广泛应用于嵌入式与移动端平台。
