System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及汽车,尤其涉及一种障碍物检测方法、装置、设备及存储介质。
技术介绍
1、目标检测在商用车的应用中具有重要意义。例如,在自动驾驶车辆中,目标检测系统可以帮助车辆识别道路横穿的行人、其他车辆或垃圾桶等物体,以提高车辆的安全性和可靠性。另外,在环卫车辆中,目标检测系统可以帮助识别和清理街道上的垃圾。因此,轻量化标识别技术的应用对商用车的发展具有重要意义。
2、因此,研究人员致力于将目标检测模型进行轻量化,以便将其部署在低功耗、低存储容量的嵌入式设备上。这种轻量化的模型可以通过剪枝、量化和适当的网络结构设计来实现。剪枝技术可以删除网络中的不必要参数,减小模型的大小和计算量。量化技术可以将高精度的浮点数转换为低精度的整数或定点数,以降低存储和计算成本。网络结构设计可以通过引入轻量级的模块和降低输入和输出维度来实现网络的小型化。目前商用车应用场景复杂,但是对于不同场景下的全局感知能力不足,无法准确识别不同环境下的障碍物,导致车辆驾驶中存在安全隐患。
技术实现思路
1、本专利技术的主要目的在于提供一种障碍物检测方法、装置、设备及存储介质,旨在解决现有技术商用车应用场景复杂,对于不同场景下的全局感知能力不足,无法准确识别不同环境下的障碍物,导致车辆驾驶中存在安全隐患的技术问题。
2、为实现上述目的,本专利技术提供了一种障碍物检测方法,所述方法包括以下步骤:
3、获取参考车辆的实时环境图像;
4、通过障碍物检测模型对所述实时环境图像进行识
5、基于所述预测类别得到所述实时环境图像中所述参考车辆周围的障碍物。
6、可选地,所述障碍物检测模型包括输入层、视觉主干网络以及头部分类器分类器;
7、所述通过障碍物检测模型对所述实时环境图像进行识别,得到预测类别,包括:
8、通过输入层对所述实时环境图像进行预处理,得到处理后的实时环境图像;
9、通过视觉主干网络对所述处理后的实时环境图像进行特征提取,得到参考特征图;
10、通过所述头部分类器对所述参考特征进行目标识别,得到检测框,基于所述检测框得到预测类别。
11、可选地,所述通过视觉主干网络对所述处理后的实时环境图像进行特征提取,得到参考特征图,包括:
12、通过视觉主干网络对所述实时环境图像进行特征提取,得到各个分辨率的特征图;
13、对所述各个分辨率的特征图进行融合,得到高分辨率局部信息;
14、通过所述视觉主干网络的前馈机制对所述局部信息进行向前传播,得到参考特征图。
15、可选地,所述通过视觉主干网络对所述实时环境图像进行特征提取,得到各个分辨率的特征图,包括:
16、通过所述视觉主干网络的小内核卷积对所述实时环境图像进行第一阶段和第二阶段的特征提取,得到初步特征;
17、根据预设批大小、预设通道大小以及预设层索引对所述初步特征进行特征处理,得到局部特征信息;
18、对所述局部特征信息进行池化,得到各个分辨率的特征图。
19、可选地,所述通过障碍物检测模型对所述实时环境图像进行识别,得到预测类别之前,还包括:
20、基于yolov5算法框架,将所述yolov5算法框架中的主干网络替换为视觉主干网络并在所述yolov5算法框架中加入头部分类器构建初始障碍物检测模型;
21、获取预设模型超参数以及预设损失函数;
22、根据所述预设模型超参数以及预设损失函数对所述初始障碍物检测模型进行训练,得到障碍物检测模型。
23、可选地,所述根据所述预设模型超参数以及预设损失函数对所述初始障碍物检测模型进行训练,得到障碍物检测模型,包括:
24、获取环境样本图像集,并基于所述环境样本图像集确定训练集和测试集;
25、通过所述训练集对所述初始障碍物检测模型进行训练,得到训练后的初始障碍物检测模型;
26、根据所述测试集对所述训练后的初始障碍物检测模型进行性能测试,得到障碍物检测模型。
27、可选地,所述获取环境样本图像集,并基于所述环境样本图像集确定训练集和测试集,包括:
28、获取初始样本图像集,并基于所述初始样本图像集得到预设数量的目标图片;
29、对所述预设数量的目标图片进行扩充操作,得到扩充后的目标图片;
30、根据标注信息对所述扩充后的目标图片进行标注并添加边界框,样本图片;
31、对所述样本图片进行归一化以及格式转换,得到环境样本图像集;
32、将所述环境样本图像集根据预设比例划分为训练集和测试集。
33、此外,为实现上述目的,本专利技术还提出一种障碍物检测装置,所述障碍物检测装置包括:
34、参数获取模块,用于获取参考车辆的实时环境图像;
35、障碍物检测模块,用于通过障碍物检测模型对所述实时环境图像进行识别,得到预测类别,所述障碍物检测模型是基于yolov5算法框架,将所述yolov5算法框架中的主干网络替换为视觉主干网络并在所述yolov5算法框架中加入头部分类器得到,所述视觉主干网络为轻量级网络;
36、所述障碍物检测模块,还用于基于所述预测类别得到所述实时环境图像中所述参考车辆周围的障碍物。
37、此外,为实现上述目的,本专利技术还提出一种障碍物检测设备,所述障碍物检测设备包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的障碍物检测程序,所述障碍物检测程序配置为实现如上文所述的障碍物检测方法的步骤。
38、此外,为实现上述目的,本专利技术还提出一种存储介质,所述存储介质上存储有障碍物检测程序,所述障碍物检测程序被处理器执行时实现如上文所述的障碍物检测方法的步骤。
39、本专利技术通过对yolov5算法框架中的结构改进为轻量级网络,显小模型的大小和计算量来降低存储和计算成本,并通过引入轻量级的模块和降低输入和输出维度来实现网络的小型化,帮助商用车实现精准的目标检测和智能驾驶能力,提高车辆的安全性和效率。
本文档来自技高网...【技术保护点】
1.一种障碍物检测方法,其特征在于,所述障碍物检测方法包括:
2.如权利要求1所述的障碍物检测方法,其特征在于,所述障碍物检测模型包括输入层、视觉主干网络以及头部分类器分类器;
3.如权利要求2所述的障碍物检测方法,其特征在于,所述通过视觉主干网络对所述处理后的实时环境图像进行特征提取,得到参考特征图,包括:
4.如权利要求3所述的障碍物检测方法,其特征在于,所述通过视觉主干网络对所述实时环境图像进行特征提取,得到各个分辨率的特征图,包括:
5.如权利要求1所述的障碍物检测方法,其特征在于,所述通过障碍物检测模型对所述实时环境图像进行识别,得到预测类别之前,还包括:
6.如权利要求5所述的障碍物检测方法,其特征在于,所述根据所述预设模型超参数以及预设损失函数对所述初始障碍物检测模型进行训练,得到障碍物检测模型,包括:
7.如权利要求6所述的障碍物检测方法,其特征在于,所述获取环境样本图像集,并基于所述环境样本图像集确定训练集和测试集,包括:
8.一种障碍物检测装置,其特征在于,所述障碍物检测装置包
9.一种障碍物检测设备,其特征在于,所述设备包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的障碍物检测程序,所述障碍物检测程序配置为实现如权利要求1至7中任一项所述的障碍物检测方法。
10.一种存储介质,其特征在于,所述存储介质上存储有障碍物检测程序,所述障碍物检测程序被处理器执行时实现如权利要求1至7任一项所述的障碍物检测方法。
...【技术特征摘要】
1.一种障碍物检测方法,其特征在于,所述障碍物检测方法包括:
2.如权利要求1所述的障碍物检测方法,其特征在于,所述障碍物检测模型包括输入层、视觉主干网络以及头部分类器分类器;
3.如权利要求2所述的障碍物检测方法,其特征在于,所述通过视觉主干网络对所述处理后的实时环境图像进行特征提取,得到参考特征图,包括:
4.如权利要求3所述的障碍物检测方法,其特征在于,所述通过视觉主干网络对所述实时环境图像进行特征提取,得到各个分辨率的特征图,包括:
5.如权利要求1所述的障碍物检测方法,其特征在于,所述通过障碍物检测模型对所述实时环境图像进行识别,得到预测类别之前,还包括:
6.如权利要求5所述的障碍物检测方法,其特征在于,所...
【专利技术属性】
技术研发人员:许恩永,张靖佳,何水龙,何鲁桂,李超,林长波,冯高山,李慧,展新,冯海波,王善超,许家毅,韦永尤,陈乾,鲍家定,郑伟光,胡超凡,唐荣江,王方圆,陈钰烨,赵德平,吴佳英,张释天,梁明运,庞凤,
申请(专利权)人:东风柳州汽车有限公司,
类型:发明
国别省市:
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。