【技术实现步骤摘要】
本专利技术属于自动驾驶感知领域，涉及基于android平台的efficientdet多任务驾驶感知方法。
技术介绍
1、随着低成本自动驾驶应用需求的不断增长，计算机视觉和深度学习技术已经取得了重大进展。然而，基于视觉的任务，如目标检测、可行区域分割、车道检测和目标测距仍然是一个挑战。基于摄像机的目标检测和分割任务由于其成本低而被广泛应用于场景理解中。鉴于汽车行驶安全性受不同场景影响较为严重，提高adas在不同场景下对前方车辆信息的获取具有很大的研究意义。物体检测和目标测距提供了有关交通障碍位置和大小的基本信息，使自动驾驶车辆能够在驾驶阶段做出准确和及时的决策。车道检测和可驾驶区域识别为路线规划和提高驾驶安全提供了有价值的信息。我们讨论了这些任务在自动驾驶系统中的重要性，并强调了实现准确结果的挑战。我们还回顾了各种方法，包括使用深度学习技术，以解决这些挑战并评估其有效性。
2、计算机视觉领域已经在目标检测和分割领域取得了许多进展。然而，单独处理这些任务可能很耗时，特别是在自动驾驶汽车中使用android部署时，这些设备的计算资源是有限的，而且要考虑到延迟的问题。在这种情况下，多任务网络更适合于实时自动驾驶系统，因为它们可以同时处理多个任务，而不是按顺序处理，从而加快图像分析过程。因此，探索自动驾驶中的多任务处理方法至关重要。
技术实现思路
1、本专利技术目的是：针对目前没有一个很好的多任务网络可以高效的实现目标检测、可行驶区域分割、车道线分割和目标测距这四个任务，提出了一
2、为了解决上述技术问题，本专利技术采用如下技术方案：
3、1.基于android平台的efficientdet多任务驾驶感知方法，包括以下步骤：
4、步骤一、把efficientdet目标检测算法的结构改进为三个任务头，以便能进行目标检测任务、可行驶区域分割任务和车道线分割任务。
5、步骤二、引入ecanet模块来构建网络模型，它可以帮助网络找到图像中感兴趣的区域。
6、步骤三、采用车载单目摄像头进行不同场景下对前方交通目标的获取，利用相似三角形来对步骤一检测到的目标进行测距。
7、步骤四、使用bdd100k数据集进行训练，将训练得到的权重进行格式转换并部署在android手机上，在测试集中对多任务进行测试。
8、2.根据权利要求1所述的基于android平台的efficientdet多任务驾驶感知方法，其特征在于所述步骤一中基于efficientdet的多任务检测算法包含以下内容：
9、在主干网络中，把efficientnetv1替换为efficientnetv2-s，主干网络会根据训练图像的尺寸进行动态调节，该方法不仅能够提升训练速度，同时还能提升准确率。
10、具有三个任务头部分，分别是目标检测头，车道线分割头和可行驶区域分割头。目标检测头的损失函数是yolop原本的损失函数，可行驶区域分割头的损失函数是交叉嫡损失，车道线分割头的损失函数是交叉嫡损失加focalloss。可行区域分割分支连接到backbone的最后一层，车道线分割分支连接到bifpn的最后一层，同时完成目标检测和图像分割任务，最后由每个任务头输出层的损失函数计算最终输出结果。
11、3.根据权利要求1所述的基于android平台的efficientdet多任务驾驶感知方法，其特征在于所述步骤二中引入ecanet模块来构建网络模型，具体内容为：
12、senet中的降维会给通道注意力机制带来副作用，并且捕获所有通道之间的依存关系是效率不高的，而且是不必要的。ecanet注意力机制是在senet模块上进行改进的，ecanet使用全局平均池化，但不降低通道维数，通过考虑每个通道以及通道的p个邻元素来捕获局部跨通道的交互信息，其中p表示一维快速卷积的核尺寸，c表示总通道数，其定义式如下：
13、
14、4.根据权利要求1所述的基于android平台的efficientdet多任务驾驶感知方法，其特征在于所述步骤三中利用相似三角形对进行目标测距，具体步骤为：
15、(1)标定相机：首先需要对相机进行标定，以获取相机的内参和外参，相机标定可以使用标定板或特殊的标定模式进行。
16、(2)三角测量：使用已知的相机内参、外参和特征点的对应关系进行三角测量，计算出特征点在三维空间中的位置。
17、(3)距离计算：根据三维空间中的位置信息，可以计算出相机与目标物体之间的距离。距离计算公式如下：
18、d＝(w×f)/p
19、其中f为焦距(单位像素值)，w为目标物体宽度(单位m)，р为目标物体在图片中的像素宽度(单位像素值)，d为目标物体距离相机距离(单位m)。
20、5.根据权利要求1所述的基于android平台的efficientdet多任务驾驶感知方法，其特征在于，所述步骤四中android部署的过程包括以下步骤：
21、(1)准备efficientdet训练出来的pt权重文件，并导出为onnx模型，再使用ncnn库将其保存为param文件和bin文件，然后将param和bin文件导入到androidstudio创建的项目中。
22、(2)配置模型推理：在android项目中，配置ncnn库以加载和运行efficientdet模型。这包括创建ncnn的推理网络对象，并设置网络的输入和输出。
23、(3)部署到设备：完成开发和调试后，你可以将android应用程序打包导出为apk文件并部署到android手机上进行测试和使用。
24、本专利技术的有益效果如下：
25、本专利技术提出了一种高效的多任务网络，它可以联合处理自动驾驶中的四个关键任务：目标检测、可驾驶区域分割、车道线分割和目标测距，以节省计算成本和减少推理时间。在网络中加入ecanet注意力机制模块，利用高效通道注意力机制，自动选择由深度网络提取特征中重要的特征信息，提高精度，有效提升主干网络的特征提取能力，加强了网络特征融合的能力，提高检测精度。实现了移动端的多任务检测，可以应用于多个领域以及提高了用户体验。
本文档来自技高网...【技术保护点】
1.基于Android平台的Efficientdet多任务驾驶感知方法，其特征在于，该方法包括如下步骤：
2.根据权利要求1所述的基于Android平台的Efficientdet多任务驾驶感知方法，其特征在于，所述步骤一中，多任务检测算法包含以下内容：
3.根据权利要求1所述的基于Android平台的Efficientdet多任务驾驶感知方法，其特征在于，所述步骤二中构建Efficientdet网络的ECANet注意力模块，主干网络的最后一层和Neck的最后一层都加入了ECANet模块，该模块使网络更关注目标的位置信息和有意义的信息。
4.根据权利要求1所述的基于Android平台的Efficientdet多任务驾驶感知方法，其特征在于，所述步骤三中采用相似三角形来计算相机到交通目标的距离，具体步骤为：
5.根据权利要求1所述的基于Android平台的Efficientdet多任务驾驶感知方法，其特征在于，所述步骤四中Android部署的过程包括以下步骤：
【技术特征摘要】
1.基于android平台的efficientdet多任务驾驶感知方法，其特征在于，该方法包括如下步骤：
2.根据权利要求1所述的基于android平台的efficientdet多任务驾驶感知方法，其特征在于，所述步骤一中，多任务检测算法包含以下内容：
3.根据权利要求1所述的基于android平台的efficientdet多任务驾驶感知方法，其特征在于，所述步骤二中构建efficientdet网络的ecanet注意力模块，主干网...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。