基于深度学习的轻量级道路障碍检测算法

道路障碍检测是智慧交通和无人驾驶的重要组成部分。针对道路障碍检算法的参数量过大、占用内存过多、难以在内存和算力有限的设备中使用等问题，本文提出一种轻量级的道路障碍检测算法。在YOLO v4的基础上，使用MobilenetV3作为模型的主干网络，减少模型参数，提高检测速度；改进模型中的PAN结构，将主干网络中更浅层的特征图提取融合，改善小目标检测不佳的问题；在特征融合部分加入ECA注意力机制提升网络整体精度；提出一个新的DBR模块，使网络整体相比之前更加轻便。使用改进后的模型在自制数据集中进行检测，与Mobilenetv3-YOLO v4相比，精度提升5.24%，参数量降低35.5%,F达43.8，满足实时应用的技术要求，表明模型可以嵌入到小型移动设备，达到良好的实时效果。