基于深度学习的恶劣环境中路面障碍物检测
在人工智能蓬勃发展的新时代,面对传统障碍物硬件设备检测成本高、实时性差、无法常态化进行、依赖于人工控制、耗时耗力等不足,设计了基于深度学习的 目标检测方法.而在实际情况中,路面经常会出现光照不足、大气杂质、光学系统失真等恶劣环境,从而导致拍摄图像模糊不清晰,造成图像的严重退化,极大影响了后续路面障碍物的管理工作.本文将从此角度出发,在以往的道路障碍物识别方法上进行改进,利用Retinex理论在YOLO基础网络上进行改进实现恶劣环境下的路面障碍物检测,从而实现道路路面的自动化检测,提高路面管理部门的工作效率.
道路障碍物检测;深度学习;Retinex理论;YOLO
21
TU4(土力学、地基基础工程)
2021-08-25（万方平台首次上网日期，不代表论文的发表时间）
共4页
48-50,54
