(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210999182.2 (22)申请日 2022.08.19 (71)申请人 河南科技大 学 地址 471000 河南省洛阳市涧西区西苑路 48号 (72)发明人 郭志军　省东旭　郑帅杰　尹亚昆　 向中华　张鹏　方正　李亦轩　 (74)专利代理 机构 洛阳公信知识产权事务所 (普通合伙) 41120 专利代理师 常晓虎 (51)Int.Cl. G06V 20/58(2022.01) G06V 10/82(2022.01) G06V 10/80(2022.01) G06V 10/764(2022.01)G06V 10/40(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 一种智能小车轻量 化障碍物目标检测方法 (57)摘要 本发明涉及一种智能小车轻量化障碍物目 标检测方法， 包括 （1） 采集道路上障碍物原始图 像制作数据集； （2） 基于改进的Yolov4构建轻量 化网络模型； （3） 搭建智能小车目标检测实验环 境， 并利用数据集对 轻量化网络模 型进行多次训 练， 获得多个网络模型训练权重； （4） 获得最佳的 网络模型训练权重， 并移植到智能小车目标检测 实验环境； （5） 利用深度相机组件对智能小车外 界信息进行获取， 并利用最佳的网络模 型训练权 重对智能小车前方障碍物进行检测识别。 本发明 通过改进算法增强智能小车的识别效率， 旨在解 决智能小车由于车载芯片低算力的限制， 影响检 测障碍物的实时性和检测精度低等问题。 权利要求书1页 说明书6页 附图4页 CN 115273036 A 2022.11.01 CN 115273036 A 1.一种智能小车 轻量化障碍物目标检测方法， 其特 征在于， 包括如下步骤： 步骤一， 采集道路上障碍物的原 始图像数据制作数据集； 步骤二， 基于改进的Yolov4构建轻量化网络模型； 对Yolov4改进的方法为： （1） 将原 Yolov4网络的主干更换为Ghostnet 网络主干； （2） 在输出到颈部网络中的三个有效特征层 加入残差连接的ECA注意力机制； （3） 在输出到头部中的13 ×13的特征层和PAnet特征融合 网络中的第一个下采样堆叠后引入残差结构； （4） 将颈部网络中的3 ×3标准卷积更换为 Ghost模块和深度可分离卷积； 步骤三， 搭建智能小车目标检测实验环境， 利用步骤一中制作的数据集对步骤二中构 建的轻量 化网络模型进行多次训练， 获得多个网络模型训练权 重； 步骤四， 对步骤三中得到的多个网络模型训练权重在验证集数据中进行检测， 根据检 测结果， 选择效果 最佳的网络模型训练权 重； 步骤五， 将步骤四中效果最佳的网络模型训练权重， 移植到步骤三搭建的智能小车目 标检测实验环境中； 步骤六， 利用深度相机组件对智能小车外界信息进行获取， 获取的信息输入到网络的 输入端， 利用步骤四中效果最佳的网络模型训练权重对智能小车前方障碍物进行检测识 别， 并通过自带的可视化软件显示实时检测结果； 步骤七， 当深度相机获取的外界信息没有所训练的障碍物时， 则所述可视化软件中不 显示检测结果； 反 之， 重复步骤六， 实时进行障碍物检测， 并显示检测结果。 2.根据权利要求1所述的一种智能小车轻量化障碍物目标检测方法， 其特征在于： 对于 步骤二， 在Gho st模块中， 设定每个基础特征对应的s个冗余特征， 输 出 基础特征， 然后对 每个基础特征执行线性变换， 生成对应的冗余特 征， 以减少网络的参数量和计算 量。 3.根据权利要求1所述的一种智能小车轻量化障碍物目标检测方法， 其特征在于： 步骤 二中， 深度可分离卷积由3 ×3的逐通道卷积和1 ×1的逐点卷积构成。 4.根据权利要求1所述的一种智能小车轻量化障碍物目标检测方法， 其特征在于： 步骤 四中检测指标分别为精确率、 召回率和平均精度。 5.根据权利要求1所述的一种智能小车轻量化障碍物目标检测方法， 其特征在于： 步骤 六中的深度相机安装在智能小车的前端。 6.根据权利要求1所述的一种智能小车轻量化障碍物目标检测方法， 其特征在于： 步骤 六中， 智能小车进行障碍物检测的具体步骤如下： 首先， 在搭建的实验环境中， 深度相机将 采集障碍物信息输入到轻量化网络模型的输入端口， 然后， 经过Ghostnet主干的特征提取 网络提取有效特征层和颈部网络的特征融合网络， 输出到头部网络， 根据所获取 的最佳网 络模型训练权 重中物体 类别的最佳权威 值检测目标障碍物， 输出障碍物的检测结果。 7.根据权利要求6所述的一种智能小车轻量化障碍物目标检测方法， 其特征在于： 检测 结果包含障碍物的类别 信息、 位置信息和检测物体的精确率。权　利　要　求　书 1/1 页 2 CN 115273036 A 2一种智能小车轻量化障碍物目标 检测方法 技术领域 [0001]本发明属于目标检测领域， 具体涉及一种智能小车 轻量化障碍物目标检测方法。 背景技术 [0002]近年来， 随着科学技术的进步， 人工智能也得到了快速的发展。 其中， 机器视觉为 人工智能领域的主要研究内容之一， 在计算机和机器领域得到了广泛的应用。 在环境感知 方面， 机器视觉的视觉识别成为研究目标检测的主流。 无人驾驶作为人工智能领域的一个 重要分支， 现在已经成为国内外研究的热点。 无人驾驶车辆的感知部分， 主要通过相机、 雷 达等传感器实现对行驶过程中周围环境的感知。 障碍物检测是无人驾驶车辆环境感知的重 要环节， 检测效果的好坏直接影响着无人驾驶的安全行驶， 因此， 高效、 准确、 可移 植性强的 目标检测算法对无 人驾驶技术的发展起到 了至关重要的作用。 [0003]目前由于车载芯片低算力的限制， 导致障碍物检测的实时性和检测精度较低， 不 能满足无 人驾驶技术对障碍物检测的要求。 发明内容 [0004]本发明的目的是提供一种智能小车轻量化障碍物目标检测方法， 通过小车前端的 深度相机采集实时图像， 对障碍物进行检测与识别， 通过改进算法增强智能小车 的识别效 率， 旨在解决智能小车 由于车载芯片低算力的限制， 影响检测障碍物的实时性和检测精度 低等问题。 [0005]为了实现上述目的， 本发明所采用的技术方案是： 一种智能小车轻量化 障碍物目 标检测方法， 包括如下步骤： 步骤一， 采集道路上障碍物的原 始图像数据制作数据集； 步骤二， 基于改进的Yolov4构建轻量化网络模型； 对Yolov4改进的方法为： （1） 将 原Yolov4网络的主干更换为Ghostnet 网络主干； （2） 在输出到颈部网络中的三个有效特征 层加入残差连接的ECA注意力机制； （3） 在输出到头部中的13 ×13的特征层和PAnet特征融 合网络中的第一个下采样堆叠后引入残差结构； （4） 将颈部网络中的3 ×3标准卷积更换为 Ghost模块和深度可分离卷积； 步骤三， 搭建智能小车目标检测实验环境， 利用步骤一中制作的数据集对步骤二 中构建的轻量 化网络模型进行多次训练， 获得多个网络模型训练权 重； 步骤四， 对步骤三中得到 的多个网络模型训练权重在验证集数据中进行检测， 根 据检测结果， 选择效果 最佳的网络模型训练权 重； 步骤五， 将步骤四中效果最佳的网络模型训练权重， 移植到步骤三搭建的智能小 车目标检测实验环境中； 步骤六， 利用深度相机组件对智能小车外界信息进行获取， 获取的信息输入到网 络的输入端， 利用步骤四中效果最佳的网络模型训练权重对智能小车前方障碍物进行检测 识别， 并通过自带的可视化软件显示实时检测结果；说　明　书 1/6 页 3 CN 115273036 A 3