双注意力机制下自动驾驶汽车车道线深度感知研究

为改善车道线分割存在的计算量大、融合效果不明显以及遮挡、丢失、误识别等问题,设计了一种轻量化的基于语义分割的编解码卷积神经网络结构,在网络中引入通道注意力机制与行、列注意力机制。采用轻量化的训练网络ResNet-18对输入图片进行快速下采样,用来产生多阶段特征图;将通道注意力机制用于高阶特征图以提取高阶语义信息;将行、列注意力机制用于低阶特征图以提取车道线的空间信息,采用特征融合机制FFM将高阶特征图上采样后与低阶特征图融合,以提高车道线分割精度。取代传统聚类方法,构建了3层全连接网络,对分割出的像素进行类别预测,实现了背景及车道线的分类,使整个网络得到了端到端的训练与输出。将轻量化的编解码网络模型在Tusimple数据集上完成了车道线检测的训练与测试,并与以往研究模型进行了对比。结果表明,在车道线存在遮挡、模糊、阴影干扰及曝光等场景下,所设计的深度卷积网络仍可以准确且快速地识别出车道线,与现有车道线检测模型相比,在分割精度和检测速度上均有所提高,能够满足自动驾驶实时性检测的需求。

基于机器视觉的汽车车身划痕检测与处理

随着科技发展与进步,汽车走进人们的日常生活,成为出行所需的必要品之一。由于擦洗、护理不当的人为原因或是汽车行驶时与其他车辆、路边树枝或固定物发生刮擦的自然原因等,往往都容易使车身造成深浅不一的划痕,影响美观与使用。而对于划痕检测往往采用人工检测的方法比较常见,但随着社会发展,各种无损伤的检测技术逐渐普遍出现,国内外在划痕检测与识别的技术上得到不断提升,从一开始由传统的人工主导检测方法到现在常见的渗透识别、磁粉识别、图像识别以及基于超声波激光的识别方法。针对人工检测存在低效率、高漏检率和误检率等缺点,文章通过提出一种基于OTSU算法的以机器视觉检测技术为基础的实现车身划痕能够自动检测的方案,此方案安全可靠,在艰难复杂的工作环境里可以较长时间工作,并且能够获得较高的检测精度。为了恢复汽车车身的美观性,根据划痕损伤程度不同,提出了几种不同的修复工艺。