改进YOLOv5的路面坑洞检测算法

路面坑洞的检测和识别对于自动驾驶和公路养护至关重要。为了解决在不同光照条件下以及坑洞积水所导致的路面坑洞识别难题,并将其应用于一些资源受限的现场环境中,本文提出了一种改进YOLOv5的路面坑洞检测算法。该算法利用PConv改进了C3模块来实现更快的检测速度,并通过采用动态检测头的不同感知模块来适应路面坑洞的不同特征。同时,将模型的损失函数CIoU改进为SIoU,提高模型的精度和收敛能力。实验的结果表明,改进后的YOLOv5算法在路面坑洞检测中平均精度值提高了5.19%,模型体积也减小了13%。

计算机视觉在道路成像和坑洞检测中的应用研究综述

针对道路坑洞的自动检测和道路状况的客观评估问题,对计算机视觉技术在道路坑洞检测中的应用研究成果进行了全面综述。通常采用摄像机和各类深度传感器获取二维、三维道路数据实现道路成像,并基于计算机视觉技术开展坑洞检测,主要检测算法包括经典二维图像处理、三维点云建模与分割、深度学习及其混合方法,其中混合方法利用各类算法的优势,可大幅提高检测的准确性。然而,现有算法在坑洞检测领域取得良好效果的同时依然面临道路几何重建鲁棒性有待提升、算法复杂度高、模型效果高度依赖大规模良好标注数据集等诸多挑战,故未来应更多关注无监督的立体匹配算法及少样本的深度学习算法。

基于改进Faster R-CNN的道路坑洞检测方法

道路坑洞会造成大量的交通事故及人民群众生命财产损失。道路坑洞的修补首先要进行检测,而完全依赖人工则会效率低成本高,提出一种基于改进Faster R-CNN的道路坑洞检测方法,在公共数据集[1]上的精度达到了83.6%。

基于路面坑洞检测的智能汽车主动避障控制

为实时、有效地获取路面坑洞的损毁情况,提高智能汽车的行驶安全性,提出了一种新的无接触式坑洞检测及主动避障控制算法.采用多传感器融合技术提取路面坑洞特征,通过视觉图像对路面坑洞的轮廓进行提取并计算路面坑洞面积,应用单点测距激光雷达对路面坑洞的深度进行了测量.利用Adams软件搭建整车模型和路面坑洞模型,确立满足人体舒适性要求的安全过坑极限车速,并应用模糊控制理论设计了适用于坑洞路面工况的主动避障算法,通过Simulink/Carsim联合仿真验证了该算法的有效性.结果表明:该算法能满足系统设计要求,可以控制车辆安全、舒适地通过路面坑洞,在兼顾舒适性的同时可以有效降低车辆在坑洞路面危险工况下的事故率.