基于深度图像的路面异物检测方法研究

作     者：陈俊舟 

作者单位：长安大学 

学位级别：硕士

导师姓名：孙朝云

授予年度：2023年

学科分类：08[工学] 080203[工学-机械设计及理论] 0802[工学-机械工程] 0825[工学-航空宇航科学与技术] 

主      题：路面异物检测 深度图像处理 Cascade R-CNN YOLOv5 拆分注意力机制 GhostNet BiFPN 

摘      要：机场跑道异物(Foreign Object Debris,FOD)长期威胁着飞行安全和乘客人身安全。为了提高机场跑道异物检测的精度和效率,本文结合路面异物深度图像和目标检测技术提出了两种检测模型,一种是适用于高精度要求的融合拆分注意力机制的多尺度检测模型,另一种是具有高检测速率的基于改进YOLOv5的检测模型。为了验证本文提出检测模型的有效性和通用性,由于无法在真实机场路面上采集数据,本文选择在普通路面上进行异物检测研究,并与其他相关方法进行对比分析。首先,针对激光三角法导致的深度图像缺失值问题,结合自适应阈值二值化和基于快速行进算法的图像修复法对缺失值进行定位和修复。接着对采集设备的振动所带来的影响进行分析,提出一种基于纵向卷积核的卷积方法对振动数据进行矫正,削弱了设备振动对深度图像的影响。然后对深度图像进行空间域分段线性增强处理,加强路面异物在深度图像中的特征。最后使用旋转法和填鸭法将路面异物深度图像数据集增广至4234张,丰富了数据集的多样性。其次,为了提高路面异物检测的精度,本文提出融合拆分注意力机制的多尺度路面异物检测模型。该模型基于二阶段检测网络Cascade R-CNN做出改进,在主干网络中加入Split-Attention机制并加深网络层数以提高模型的特征提取能力;将原特征金字塔改进为PAFPN结构,提高对不同特征层的利用率;将网络原池化方式优化为使用双线性插值法的ROI Align以避免丢失小异物的特征。实验结果表明,改进后的网络在路面异物检测中m AP@0.5可达95.2%,比原Cascade R-CNN提升了4.6%。最后,针对路面异物检测车的检测速度需求,本文提出基于改进YOLOv5的路面异物快速检测模型。首先基于GhostNet网络对YOLOv5的网络结构进行轻量化处理,使得参数量和计算量降为原来的1/3;在原特征融合结构的基础上增加跳跃连接并删除冗余节点,将不同特征层进行加权融合;将原空间金字塔池化结构改进为串行输入,不改变池化结果的同时提高计算效率。经实验验证,改进后的YOLOv5在平均精度94.4%的前提下可以达到每秒29.5帧的检测速率,检测速度最高可达54.4km/h。综上所述,本文对路面异物深度图像进行采集以及处理优化,分别提出了高精度和高检测速度的路面异物检测模型,从路面数据的采集处理到异物检测进行了系统性的研究,在路面异物检测领域具有应用价值和参考意义。