CN119478859A 应对光线影响的自动驾驶yolo目标检测方法与系统 （华东交通大学）

应对光线影响的自动驾驶YOLO目标检测方本发明为应对光线影响的自动驾驶YOLO目载摄像头在若干街道拍摄街道道路实际情况图实况图，构成图像数据集；将图像数据集使用获得的图像数据集训练应对光线影响的自动驾影响的自动驾驶YOLO目标检测网络模型用于应动驾驶车辆提供精确的车距调整和安全行驶决2使用车载摄像头在若干街道拍摄街道道路实际车况，获取不同中间部分包括四组由幻影卷积GhostConv和CA_C3Ghost模块组成的串行结构；所述头部的颈部部分由两列自底向上的结构组成，第一列由CA_C3Ghost模块主干部分的SPPF模块的输出分别连接颈部部分两列底部的两个CA_C3G部分的第三个CA_C3Ghost模块和第二个CA_C3Ghost模块的输出分别连接颈部部分第一列在输出部分，颈部部分第二列的三个CA_C3Ghost模块的输出分别通过三个卷积核为1所述CA_C3Ghost模块包括通道注意力CA模块，通道注意力CA模块的输出分成两个支一输出和第二输出拼接后，经过一个卷积核大小为1的卷积Conv操作得到CA_C3Ghost模块至此完成应对光线影响的自动驾驶YOLO目标检测步骤三：利用步骤一获得的图像数据集训练应对光,3,,其中，IoU表示预测边界框与实际边界框之间的交并比得分；γ代表调节IoU项的重要7.一种应对光线影响的自动驾驶YOLO目标检测系统双目相机模块，用于实时获取道路车况图像，包含光照充足情况下的图应对光线影响的自动驾驶YOLO目标检测网络模型，用于实时对车距计算模块，用于根据目标检测的结果，计算本车与行进45[0004]随着深度学习技术的发展，基于卷积神经网络（CNN）以及YouOnlyLookOnce[0006]鉴于现有技术的不足，本发明的目的在于，提供一种应对光线影响的自动驾驶6主干部分自顶向下由头部的卷积层Conv、中间部分和尾部的SPPF模块串行构成，积DSDC模块、上采样Upsample、Concat拼接操作自底向上依次连接构成，第二列由CA_主干部分的SPPF模块的输出分别连接颈部部分两列底部的两个CA_C3Ghost模块；主干部分的第三个CA_C3Ghost模块和第二个CA_C3Ghost模块的输出分别连接颈部部分第入到第二列的最上部的CA_C3Ghost第一输出和第二输出拼接后，经过一个卷积核大小为1的卷积Conv操作得到CA_C3Ghost模至此完成应对光线影响的自动驾驶YOLO目标检测[0008]进一步地，所述步骤三中，在训练过程中使用平衡焦点分布损失LBFD作为损失约7表示预测边界框中心和真实边界框中心，w、w"分别表示预测边界框宽度和真实边界框离卷积和一个逐点卷积处理，深度可分离卷积处理后的结果一方面作为逐点卷积的输入，[0018]进一步地，应对光线影响的自动驾驶YOLO目标检测网络模型的平均像素准确率本发明中应对光线影响的自动驾驶YOLO目标检测网络模型（Self_DrivingCars8YOLOCounteractLightInfluenceObjectDetectionNetwork简称为SD_YOLO_本发明中SD_YOLO_CLNet能够实时应对光线影响检测自动驾驶车辆行进方向上车驾驶车辆能够在复杂高速的交通环境中做出载以增强目标检测的速度，同时也能够通过有效的特征图扩展保持与原始卷积相似的性能。CA_C3Ghost模块使用幻影卷积GhostConv，并加入通道注意力CoordinateAttention池化层分别聚合不同空间方向的信息，生成方向感知和位置感知的注意力图。引入CA_C3Ghost模块使得模型具备应对特殊条件影响下的特征提取能力，尤其在光线影响的条件下根据光线充足和光线微弱造成的图像差异，模型更加强调重要特征且不抑制不重要特[0022]在损失函数方面，本发明提出平衡焦点分布损失BalancedFocalDistribution[0026]图3为深度可分离扩张卷积Depthwise_SeparableDilatedConvolutions9支路分别经过一个深度可分离卷积和一个逐点卷积处理，深度可分离卷积处理后的结果一方面作为逐点卷积的输入，另一方面与逐点卷积的输出进行相加，得到深度可分离扩张卷积DSDC模块的输出。深度可分离扩张卷积Depthwise_SeparableDilatedConvolutions (DSDC)，结合了深度可分离卷积（DepthwiseSeparableConvolutions）和扩张卷积驾驶YOLO目标检测网络模型（Self_DrivingCarsYOLOCounteractLightInfluenceObjectDetectionNetwork包括下述步骤：[0035]输入图像首先经过主干部分的处理，由主干部分头部的卷积核大小为2的卷积层第一组幻影卷积GhostConv和CA_C3Ghost模块对初始特征图进行深度特征提取，得到输出大小为160×160×64的特征图；接着借由第二组幻影卷积GhostConv和CA_C3Ghost模幻影卷积GhostConv和CA_C3Ghost模块对特征图进行相同的特征提取操作，得到大小为40×40×256的特征图；最后一组幻影卷积GhostConv和CA_C3Ghost模块对特征图进行特征提取得到大小为20×20×512的特征图。最后，由SPPF模块对特征图进行空间金字塔池化和池化结果的通道拼接得到一个包含多尺度信息大小为20×20×512个CA_C3Ghost模块和一个深度可分离扩张卷积DSDC模块进行特征提取得到大小为20×20×256的特征图Fa，经过一次上采样Upsample处理再与特征图进行拼接得到大小为一次上采样Upsample处理再与特征图进行拼接得到大小为80×80×256的特征图Fa×512的特征图Fia，特征图Fa与特征图F进行拼接得到大小为20×20×256的特征图；接下来特征图通过一个深度可分离扩张卷积DSDC模块和一个CA_C3Ghost[0037]所述输出部分包含三个卷积核大小为1的卷积层Conv，由上至下三个卷积层Conv和边界框。在处理类别不平衡问题时的性能，特别是在边界框回归中，结合FocalLoss和Efficient当整体的网络目标损失函数LBFD不再出现明显下降时（误差±1e_5视网络模型[0054]将训练好的SD_YOLO_CLNet部署到自动驾驶车辆的目标检测系统中，用于实时进辆行驶反馈模块根据不同的车距来调整车辆[0058]表1所示结果显示，在对车载摄像头拍摄不同光线下道路车况图像数据集目标检测处理上，SD_YOLO_CLNet的mAP比现有表现较为优秀的YOLOv7、YOLOv5s、CenterNet和应对光线影响的自动驾驶YOLO目标检测网络模型（SD_YOLO_CLNet用于实时对将SD_YOLO_CLNet应用在交通流量监测中，特别是在不同光照条件下对车辆目标[0066]本实施例验证了SD_YOLO_CLNet在不同光照条件下对车辆目标