通过深度学习模型实时检测道路人孔盖
Dangfeng Pang1, Zhiwei Guan2, Tao Luo3
1School of Mechanical Engineering, Tianjin Sino-German University of Applied Sciences, Tianjin, 300350, China. pangdangfeng@tsguas.edu.cn.
Scientific reports
|September 30, 2023
概括
本研究介绍了一种高效的MGB-YOLO模型,用于使用立体深度摄像头检测道路通道盖. 该方法达到96.6%的准确性,提高了道路安全和驾驶舒适度.
科学领域:
- 计算机视觉 计算机视觉
- 人工智能的人工智能
- 道路基础设施安全 道路基础设施安全
背景情况:
- 道路通道盖对于城市基础设施至关重要,但由于维护或标记不良,会带来风险.
- 漏洞盖的检测不足可能导致车辆事故和驾驶舒适度降低.
研究的目的:
- 开发和评估一种有效的方法来检测使用立体深度摄像头和新型深度学习模型的道路人孔盖.
- 提高人孔盖检测的准确性和效率,以提高道路安全.
主要方法:
- 一个立体声深度摄像头被用于数据采集.
- 一个强大的图像数据集被策划,增强和注释.
- 通过优化YOLOv5s与MobileNet-V3,全球注意力机制 (GAM) 和瓶CSP来实现准确性和效率的平衡,开发了MGB-YOLO模型.
主要成果:
- MGB-YOLO模型实现了96.6%的检测精度.
- 它的性能优于Faster RCNN,SSD,YOLOv5s,YOLOv7和YOLOv8s模型,平均平均精度 (mAP) 的改进分别为15.6%,6.9%,0.7%,0.5%和0.5%.
- 该模型的缩小尺寸和参数数量使其适用于车载嵌入式系统.
结论:
- 拟议的MGB-YOLO方法对于基于车辆的道路人孔盖的检测非常有效.
- 这种方法有助于减少事故,并通过改善基础设施监控来提高驾驶舒适度.
- 优化的模型为嵌入式设备上的实时应用提供了实用的解决方案.
