趙梓杉，秦玉英，李 剛，衣明悅

（遼寧工業(yè)大學 汽車與交通工程學院，遼寧 錦州 121001）

目標檢測在無人駕駛的感知系統(tǒng)中有重要作用，在無人駕駛方程式比賽中，其主要作用是對交通錐標的檢測等。

近年來，以卷積神經(jīng)網(wǎng)為基礎(chǔ)的目標檢測算法受到學者們越來越多的重視，許多結(jié)構(gòu)簡單、運行效率高的網(wǎng)絡(luò)模型，可以大規(guī)模應(yīng)用這些算法，但是面對目標檢測的難點，國內(nèi)外的學者們提出了很多處理方案，并進行了大批實驗。例如，ITTI L等為了提取圖像中的特征，構(gòu)建了選擇性注意機制；VIOLA P和JONES M設(shè)計了一種級聯(lián)檢測器框架，在人臉檢測領(lǐng)域取得了成功，提高了算法的性能，但其檢測性能嚴重依賴弱分類器；2014年，HARIHARAN B等提出區(qū)域-卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的目標檢測深度神經(jīng)網(wǎng)絡(luò)在PASCALVOC2012數(shù)據(jù)集上的平均檢測準確率達到53.3%；PEDRO F等提出的基于部件的檢測算法，可變形的組件模型，該模型采用改進后的方向梯度直方圖特征有利于檢測出現(xiàn)形變的目標，用一種新Latent支持向量機分類器進行分類，取得了較高的檢測精度。針對一代算法對小目標檢測效果不佳、漏檢情況嚴重等問題，2017年REDMON J等提出Yolov2算法，該模型以Darknet-19為主干網(wǎng)絡(luò)；2018年，Yolov3 在原有的Yolov2 網(wǎng)絡(luò)上進行改進，該版本采用全新的主干網(wǎng)絡(luò)Darknet-53，結(jié)合特征金字體網(wǎng)絡(luò)，在犧牲檢測速度的前提下，提升了對小目標識別的準確性；2020年，李濤提出基于改進的Yolov3-tiny深度學習框架開展大賽所使用錐標的顏色識別工作，通過少量的卷積層、池化層提取圖像特征，加入了多個殘差模塊，該算法具有Yolov3的檢測精度，且?guī)蔬_到 20 f/s。JOCHER G等在2020年提出在Yolov3的基礎(chǔ)上進行改進的Yolov4，在coco 數(shù)據(jù)集上的平均精確度均值（Mean Average Precision, mAP）為43.5%；識別速率快且精度高的Yolov5，幀率達到140 f/s。

本文將Yolo算法應(yīng)用在無人駕駛方程式賽車的目標檢測系統(tǒng)中，制作了一個交通錐標數(shù)據(jù)集，以Yolov5的算法為基礎(chǔ)，算法適用于本實驗所用數(shù)據(jù)集，并適用于無人駕駛方程式比賽特定場景。對原始算法的改進，根據(jù)數(shù)據(jù)集中真實邊界框聚類選取初始邊界框尺寸，構(gòu)建一種兼顧檢測精度和檢測速度的算法，以滿足實時檢測的需求。

1 Yolov5網(wǎng)絡(luò)模型

Yolov5還是沿用Yolov3、Yolov4的整體布局，將整個網(wǎng)絡(luò)結(jié)構(gòu)分成Input、Backbone、Neck、Output四個部分，網(wǎng)絡(luò)結(jié)構(gòu)如圖1所示。將Yolov5目標檢測算法引入到無人駕駛方程式賽車的感知系統(tǒng)中，最小標準卷積層由卷積層模塊、正則化層模塊和激活函數(shù)模塊組成，張量拼接可以將具有不同通道數(shù)的特征圖拼接到一起。這就意味著在保持寬度和高度不變的同時，增加深度，擴張張量的尺寸。

2 實驗與結(jié)果分析

2.1 數(shù)據(jù)集制作

本次實驗自制了一個交通錐標數(shù)據(jù)集，包括三種顏色的錐桶，考慮了不同光照、角度、距離、遮擋等情況，各種示例如圖2所示。使用labelimg工具對圖片中的交通錐標進行了標注。按照8：2的比例將數(shù)據(jù)集換分為訓練集和測試集，數(shù)據(jù)集共1 000張圖像，每張圖像包含多個目標。

2.2 YOLOv5網(wǎng)絡(luò)訓練

操作系統(tǒng)為Linux Ubuntu18.04；本次實驗操作環(huán)境為中央處理器，其型號分別為Intel Xeon Silver4214、QuadroP2200；開發(fā)語言為Python；安裝統(tǒng)一計算設(shè)備架構(gòu)11.0庫文件；超參數(shù)中的權(quán)重衰減系數(shù)為0.003 2；Batch大小設(shè)置為4；學習率動量為0.843；迭代次數(shù)為300。

兩種網(wǎng)絡(luò)在訓練集上的損失函數(shù)曲線如圖3所示，在相同學習率的情況下，Yolov5在訓練 200輪時達到穩(wěn)定，而Yolov3則訓練300輪時出現(xiàn)了過擬合的情況。

2.3 邊界框聚類驗證

與以往Yolo算法不同，Yolov5采用自適應(yīng)錨框計算，將計算代碼寫入訓練代碼當中自適應(yīng)計算數(shù)據(jù)集中的最佳邊界框，在Yolov3算法訓練時，為了使兩種算法都具有較好的邊界框，使用Kmeans算法對數(shù)據(jù)集的真實邊界框?qū)捀哌M行聚類，取聚類值分別為 6、7、8、9、10，邊界框聚類的結(jié)果如表1所示，不同邊界框數(shù)量對交并比的影響結(jié)果如表2所示。

Yolov3中不同規(guī)格邊界框的IOU如圖4所示，雖然隨著邊界框的數(shù)量增加，不同的邊界框數(shù)量對應(yīng)的交并比增加，但是當邊界框數(shù)量達到9個時，交并比增加的速度開始減慢。由于邊界框的增加會影響算力，導致算法運行時間增長。故選取邊界框數(shù)量為9。

2.4 測試結(jié)果分析

在不同光強、不同錐標尺寸、不同錐標視角下、遮擋前后和多顏色錐標識別情況下對訓練好的三個模型進行測試。實驗結(jié)果如圖5—圖8所示，圖中的數(shù)值為置信度。

兩種網(wǎng)絡(luò)的檢測性能如表3所示，從檢測結(jié)果可以看出，在不同條件下，Yolov3、Yolov5都能檢測到交通錐標，但Yolov3的anchor框有一定概率出現(xiàn)回歸不準確的情況。在少量樣本的情況下，Yolov5的置信度整體明顯高于Yolov3。

在遮擋情況下，檢測目標的置信度均有所下降，多錐標檢測效果對比如圖9所示，兩種模型都能對多錐標的情況進行檢測，但是由于論文數(shù)據(jù)僅為 1 000個，Yolov3 中用于檢測交通錐標顏色的特征層含有的語義信息不夠豐富，較低的語義信息會導致一定的分類錯誤或較低置信度，給顏色識別帶來誤檢和漏檢，而 Yolov5 在少量樣本情況下仍能達到 0.83，且效果優(yōu)異，置信度總體優(yōu)于 Yolov3。

3 結(jié)論

為了實現(xiàn)交通錐標的顏色識別處理，首先介紹了Yolov5基礎(chǔ)網(wǎng)絡(luò)結(jié)構(gòu)，并對其輸出端進行改進。其次，制作了1 000張紅、黃、藍三種顏色的交通錐標數(shù)據(jù)集，調(diào)整網(wǎng)絡(luò)參數(shù)并基于論文數(shù)據(jù)集進行訓練，得到錐標顏色檢測模型。最后，進行實車實驗，實驗結(jié)果表明，Yolov5交通錐標顏色分類檢測模型相比Yolov3模型和原Yolov5模型，模型體量適中、速度更快且檢測精度更高。