基于深度学习的隧道障碍物检测及工程应用

作     者：李英杰 

作者单位：齐鲁工业大学 

学位级别：硕士

导师姓名：李利平

授予年度：2024年

学科分类：12[管理学] 081406[工学-桥梁与隧道工程] 08[工学] 1201[管理学-管理科学与工程(可授管理学、工学学位)] 081104[工学-模式识别与智能系统] 080203[工学-机械设计及理论] 0802[工学-机械工程] 0835[工学-软件工程] 0814[工学-土木工程] 0811[工学-控制科学与工程] 0812[工学-计算机科学与技术（可授工学、理学学位）] 082301[工学-道路与铁道工程] 0823[工学-交通运输工程] 

主      题：深度学习 目标检测 地下工程 障碍物检测 

摘      要：伴随交通强国等重大战略的实施,城市地铁、市政隧道等大量隧道工程投入建设。传统的通过人力进行施工和检查工作的局限性逐渐显现出来。隧道施工现场环境恶劣、任务繁重、安全隐患较大,不适合工作人员长时间工作。 机器人技术的广泛应用为解决上述问题提供了可能性,使用机器人代替人工进行隧道施工环境下的危险性工作可以有效保障工作人员的生命安全。然而,目前该领域的机器人大多需要人工操控,缺乏自主避障能力。传统的障碍物检测方法需要依托传感器实现,在检测精度和检测速度方面表现一般,亟需一种更为高效的解决方案。针对隧道施工环境下的障碍物检测,本文提出一种基于改进YOLOv5算法的隧道障碍物检测轻量化模型。本文的主要工作内容具体如下: (1)在数据集构建方面,通过前往施工现场拍摄采集障碍物图像,并利用Labelimg软件完成标注和数据集划分。此外,为了提高模型在昏暗环境下的检测性能,利用CLAHE算法对采集的低光照图像进行增强处理。 (2)在模型选择方面,通过对比两阶段与一阶段目标检测算法的特点与性能,选用在检测精度和检测速度方面表现较好的YOLOv5展开研究,并选择其中检测速度较快、模型复杂度较低的YOLOv5n作为本文的基础模型。 (3)在模型改进方面,本文使用Shufflenet v2轻量级网络对YOLOv5n模型的主干网络进行替换;为了恢复更换主干网络所损失的检测精度,本文对模型添加注意力机制,并且对模型的上采样方式进行修改;为了有效提升模型的检测精度,同时降低模型的参数量,本文使用GSConv卷积模块替换模型中的部分普通卷积模块。相比于YOLOv5n模型,本文提出的模型在计算量与参数量方面都大幅降低,极大的提升了模型在嵌入式设备上的部署性能。 (4)在模型验证方面,本文将模型部署在Jetson Nano平台上,并在工程现场进行测试,验证本文算法在嵌入式平台上的可行性和实用性。经过测试,本文提出的模型相比YOLOv5n模型,检测速度提升了大约28%,帧率提升了大约41%,能够满足实际环境下的检测需求。