原文传递
基于深度学习的限速标志识别算法研究及实现
| 论文题名： | 基于深度学习的限速标志识别算法研究及实现 |
| 关键词： | 限速标志识别算法;深度学习;模型量化 |
| 摘要： | 随着近几年汽车行业和芯片技术快速发展，车载嵌入式设备的部署量和计算力越来越高，所以基于离线模式的智能辅助驾驶设备也受到许多学者和研究人员的关注。本文研究内容是辅助驾驶下的分支：限速标志检测与识别。以深度学习为基础进行限速牌检测与识别，然后将模型部署到车载嵌入式平台上进行实时检测。论文的主要工作内容如下： 1.针对车载环境限速牌识别的难点提出了一个基于YOLOv3的改进网络。由于嵌入式内存和算力有限，引入轻量级特征提取网络Mobilenetv2作为骨干网络减少权重参数和计算量。针对原网络架构上的冗余，对网络结构进行精简。针对原YOLOv3网络采用的FPN结构在识别多限速牌时可能存在特征融合上的冲突，引入ASFF结构自适应融合不同尺寸的特征层提高识别率。引入GIOU和focalloss算法，优化网络的定位损失和置信度损失。 2.搭建了一个离线车载限速牌检测与识别的嵌入式平台，将改进的识别网络部署到该平台。在部署过程中对网络算子优化，将BN层数据和卷积算子合并减少计算量。为了适配硬件平台的并行加速模块，对float32型的网络进行8bit量化，针对传统量化方式MaxMin法在量化特征图时无法有效映射数值分布，引入KL散度寻找饱和量化的阈值提高量化的精度。 3.搭建了一个限速牌数据集验证提出算法的有效性。为了提高网络模型的泛化能力和识别精度对数据集进行扩增，使用mosaic与传统图像处理融合的方法扩增了不同角度、大小的限速牌，通过模拟不同天气的图像增强方法扩增了不同天气、亮度下的限速牌。 经过实验表明，在电脑端本文提出的基于YOLOv3改进的网络mAP可以达到83.9%，虽然检测精度略低于目前热门的目标检测算法，但是FPS可达到33.4，拥有较快的检测速度，而权重文件只有23.8MB。在嵌入式端网络经过8bit量化后mAP值为79.6%，但是利用硬件并行加速后推理速度是非量化的3.5倍，权重文件缩小2.7倍，极大地提高了车载环境下限速牌的检测速度，满足了实时性和硬件需求。 |
| 作者： | 吴云铎 |
| 专业： | 电子与通信工程 |
| 导师： | 代少升 |
| 授予学位： | 硕士 |
| 授予学位单位： | 重庆邮电大学 |
| 学位年度： | 2022 |
检索历史
应用推荐
