共查询到10条相似文献,搜索用时 15 毫秒
1.
为了提高智能汽车对路面障碍物检测的精度和速度,本文基于YOLO V3深度学习网络模型和迁移学习算法建立路面障碍物检测模型,并对模型的训练和测试结果进行评估. 相似文献
2.
运用YOLO(You Only Look Once)实时目标检测算法解决了驾驶视频目标检测问题。针对目标检测算法受环境条件影响鲁棒性差、小目标识别能力不高的问题,建立了涵盖多种天气环境、包含疑难目标的驾驶视频样本数据库,提出了疑难样本训练方法,训练出可在多种天气环境中良好识别小型汽车、行人、公交车及货车的YOLO检测模型。实验结果表明,该训练方法可有效提升目标检测性能;所得检测模型具有较高的召回率和精确度,可初步应用于实时驾驶视频的目标检测。 相似文献
3.
针对现有道路抛洒物检测算法识别准确率低、识别种类有限、实时检测效率低的问题,探索了将深度学习目标检测和传统图像处理相结合的抛洒物检测算法。提出在YOLOv5s目标检测算法基础上,对模型结构进行修改以满足实时性需求。具体地,使用卷积优化YOLO中的降采样模块,采用Ghost网络替代原始的特征提取网络以减少计算量,根据抛洒物检测对象的特点设计符合数据集的锚框以提高目标识别准确度。使用优化后的YOLO检测道路场景中车辆、行人作为交通参与者得到检测框,在检测框周围设定感兴趣区域,并在感兴趣区域内用背景差分算法实现前景目标识别。计算前景目标与YOLO检测结果的交并比,排除交通参与者目标后实现道路抛洒物的识别。针对交通参与者检测的实验结果表明,改进后的YOLO检测算法在整体识别精度没有损失的情况下单帧检测速度为20.67 ms,比原始YOLO检测算法速度提升16.42%。真实道路抛洒物实验结果表明,在没有抛洒物训练数据情况下,传统混合高斯模型算法平均精度值为0.51,采用融合改进YOLO和背景差分的抛洒物检测算法平均精度值为0.78,算法检测精度提高52.9%。改进后算法可适用于没有抛洒物数据或正样本数据稀少的情况。该算法在嵌入式设备Jetson Xavier NX上单帧检测速度达到24.4 ms,可实现抛洒物的实时检测。 相似文献
4.
针对道路裂缝检测识别需人工参与、传统算法识别不准确等问题,提出一种基于YOLO v3深度学习算法的道路裂缝识别方法。首先将数据集图片缩放成416×416,然后利用Labelme对数据进行裂缝标注并对边界框位置信息进行转换,最后利用YOLO v3算法框架进行模型训练。结果表明:YOLO v3算法的精确率、召回率、F1分数都大于95%,图片检测速度达到0.123 1 s/张。YOLO v3深度学习算法在精度和速度上都满足了道路裂缝实时检测的要求。 相似文献
5.
随着近年来人行道石材铺装应用的逐渐增多,在雨雪等恶劣天气条件下引发的行人滑倒、摔伤等安全事故时有发生.然而,目前市政行业无相应标准来明确石材人行道的安全性能指标,导致目前建成的石材人行道的安全性能良莠不齐.如何满足行人安全行走的需要,是本次课题研究的重点. 相似文献
6.
7.
8.
为提高深度学习神经网络运行速度,满足智能驾驶对算法实时性的要求,基于一种一体化实时目标检测算法YOLO和一种目标检测网络模型Faster RCNN,提出一种结合两者特点的实时目标检测神经网络。该网络保留区域卷积神经网络(R-CNN)算法的二次检测模式和区域生成神经网络RPN,去掉先验框,采用YOLO直接预测位置。结合Mask R-CNN中的ROI-Align方法进行二次位置修正,减少了Faster R-CNN中ROI-pooling所带来的位置预测偏差。对改进后的网络在KITTI数据集上进行测试,结果表明:改进后的神经网络检测一次仅耗时38 ms,检测的平均精确度高于YOLO和Faster RCNN,且对于不同大小的目标都具有很好的泛化能力。 相似文献
9.
10.
8月23日,广汽本田举行了国内首例行人保护碰撞试验。恰逢最近几起性质恶劣交通事故,再一次将行人交通安全话题推向公众讨论热点。 相似文献