朱曉峰，李 林，，張德津，羅文婷

1.福建農(nóng)林大學 交通與土木工程學院，福州 350100

2.南京工業(yè)大學 交通運輸工程學院，南京 211816

3.深圳大學 建筑與城市規(guī)劃學院，廣東 深圳 518060

近年來高速異物事件時有發(fā)生，已經(jīng)成為威脅高速公路交通安全的重要問題，給高速公路運行埋下了安全隱患[1]?，F(xiàn)階段道路養(yǎng)護部門對待高速異物問題，可以總結(jié)為兩種解決方案：第一種是人工巡查法。即通過安排專門的巡查車輛對各自負責的養(yǎng)護路段進行保潔巡查，發(fā)現(xiàn)高速異物及時清理，但此種方法效率低、容易出現(xiàn)消極怠工的情況；第二種方法是重點位置架設高清攝像頭實時監(jiān)控，這種方法的弊端在于首先高清定點攝像頭無法對高速公路全路段進行監(jiān)控，同時高速異物具有不固定性，對于高清攝像頭監(jiān)控到的高速異物無法得到及時有效的清理。

針對現(xiàn)階段人工巡檢可以及時清理異物，但存在消極怠工的情況。本文提出了一種輕量化高速異物實時檢測算法（RoadNetV2）輔助人工巡檢。該方法在模型訓練階段，針對現(xiàn)階段無可靠高速異物公開數(shù)據(jù)集的問題，使用高速公路模擬場景數(shù)據(jù)集擴充方法，提升自建數(shù)據(jù)集的復雜程度。在算法結(jié)構(gòu)方法，RoadNetV2算法采用了light-focus淺層信息增強模塊和C3_CD特征提取模塊作為主要部件搭建模型的backbone部分，在neck部分采用了CoordConv和Conv的卷積組合的path aggregation network（PAN）模塊降低整體模型復雜度，提升模型推理速率，在損失函數(shù)方面，選用Alpha-CIOU作為損失計算函數(shù)，并采用多權(quán)值平衡計算策略，提升弱小目標的梯度值，以此增加弱小目標的識別精度和回歸精度。由RoadNetV2算法所生成的高速異物自動識別模型，搭載自研巡檢設備可以有效地輔助養(yǎng)護部門的人工巡檢。

1 相關(guān)工作

近年來，隨著計算機技術(shù)的不斷發(fā)展，國內(nèi)外越來越多的學者將自動化檢測方法應用于高速異物識別問題中。在高速異物檢測算法方面，主要以RGB圖像作為主要研究對象。文獻[2]以視頻序列中五幀圖像之間運動目標位置差別很小作為前提條件，提出五幀差分法對高速公路的拋灑物進行檢測。文獻[3]提出了幀間差分自適應法，該方法基于連續(xù)幀間差分法和均值背景減除法對拋灑物進行檢測。文獻[4]提出了背景分離高斯混合模型（BS-GMM）的動態(tài)建模方法對進入靜止狀態(tài)的拋灑物進行檢測。以上三種方法均是基于傳統(tǒng)圖像處理方法的高速異物檢測算法。文獻[5]針對城市道路的小像素目標，首次應用了深度學習目標檢測算法，提出了一種基于YOLOv3的卷積神經(jīng)網(wǎng)絡RoadNet檢測方法，對城市道路中的小型目標物（如石塊、紙屑等）進行檢測。文獻[6]提出了一種基于實例分割模型Center-Mask優(yōu)化的高速異物檢測算法，使用空洞卷積優(yōu)化的殘差網(wǎng)絡ResNet50作為主干神經(jīng)網(wǎng)絡來提取目標特征進行多尺度處理，實現(xiàn)對高速異物的檢測。

在深度學習目標檢測模型的實際部署中，往往受到部署硬件的限制，從而影響模型的實時性。在輕量化模型探索方面，MobileNetV2[7]將深度可分離卷積與逆殘差模塊相結(jié)合，不僅提升了模型的推理速度還減少了模型在下采樣過程中帶來的信息丟失；ShuffleNetV2[8]進一步探索了輕量化模型的設計準則，提出了四項輕量化模型設計標準同時提出了一種更高效的網(wǎng)絡組件。在實際生產(chǎn)應用中，文獻[9]在路側(cè)交通監(jiān)控場景下，針對現(xiàn)有模型檢測速度慢、占有內(nèi)存多等問題，借鑒了Ghost-Net思想將傳統(tǒng)卷積分為兩步，利用輕量化操作增強特征，降低模型的計算量，提出了車輛檢測算法GS-YOLO；文獻[10]在人臉口罩檢測與規(guī)范佩戴識別的問題中，針對自然環(huán)境下模型參數(shù)量大、難以部署應用等難題，引入了輕量級骨干網(wǎng)絡（light CSP dark net）和輕量化特征增強模塊（light-FEB）增強輕量級主干網(wǎng)絡的特征提取能力。

2 數(shù)據(jù)庫構(gòu)建

現(xiàn)實生活中，由于高速公路信息安全的限制，圖像質(zhì)量良好、高速異物類型齊全的開源數(shù)據(jù)集可以直接使用。故本文通過實驗室自主研發(fā)的巡檢設備與福建省各級養(yǎng)護站的合作采集，經(jīng)人工篩選后得到一份小型高速異物數(shù)據(jù)集。同時為了解決自建高速異物數(shù)據(jù)集復雜度低的問題，提出了模擬場景擴充的方法。

2.1 自主研發(fā)的巡檢設備

現(xiàn)階段常規(guī)的自動化檢測的交通數(shù)據(jù)主要以視頻流數(shù)據(jù)為主要代表。考慮到在人工巡檢過程中，存在車輛短暫停留現(xiàn)象，常規(guī)的視頻流數(shù)據(jù)給設備主機帶來了更大的存儲壓力，同時在后期檢測的過程中也會浪費大量的時間和計算資源在重復場景中，所以自主研發(fā)了一款道路多功能采集設備（以下簡稱巡檢設備），其組成部分包括雙目相機、定位模塊（GPS）、便攜式主機（內(nèi)置Jetson NX邊緣計算單元）。開展巡檢作業(yè)時，巡檢工作人員僅需將雙目相機設備放置于副駕駛頂部獲取道路前景圖像，通過USB數(shù)據(jù)線將前景圖片傳輸至設備主機進行實時保存或處理，設備安裝方式與主要部分如圖1所示。

圖1 自主研發(fā)的巡檢設備樣式Fig.1 Self-developed inspection equipment style

設備拋棄了傳統(tǒng)的時間觸發(fā)保存前景圖像的方式，而是選擇以固定的間隔（設為fx）作為主機保存圖像的方式。即當車輛移動了第一段距離后，利用GPS傳感器得到位置變化信息，通過計算不同頻率之間的坐標值得到車輛位移值fd，如果fd≥fx則將生成電信號傳入主機，當設備主機接收到相應的電信號后，會做出相應的響應，即保存雙目相機的前景圖片、景深圖像以及同一時刻的傳感器基礎(chǔ)信息。距離觸發(fā)的優(yōu)點是針對自由移動的載體，能夠選取合適的距離間隔采集數(shù)據(jù)，從而減少視頻流數(shù)據(jù)大量信息重復的問題，實現(xiàn)對巡檢路段進行輕量化數(shù)據(jù)采集。

2.2 真實數(shù)據(jù)集處理與劃分

通過與福建省寧德市下白石養(yǎng)護站、三沙養(yǎng)護站的合作，對其人工巡檢路段進行數(shù)據(jù)采集。通過人工初篩一共獲取得到1 533張含有高速異物的圖像。由于單種高速異物類型數(shù)量少，所以在人工標注時，對所有高速異物僅提供foreign body單類標簽，同時對部分圖像中的里程樁進行補充標注，以便后期對高速異物進行組合定位。數(shù)據(jù)集劃分按照7∶3的比例進行劃分訓練集和驗證集，詳細信息如表1所示。

表1 真實數(shù)據(jù)集詳細信息Table 1 Real dataset details

2.3 模擬場景擴充

數(shù)據(jù)集的復雜程度在一定程度上影響了檢測模型的泛化能力。針對自建高速異物數(shù)據(jù)集復雜度低，本文采用模擬場景自增廣的方法來提升數(shù)據(jù)集數(shù)量和數(shù)據(jù)特征，主要方法是：首先通過百度AI studio提供的生活垃圾等數(shù)據(jù)集，經(jīng)過人工篩選出一些可能出現(xiàn)在高速公路中的目標物作為提取目標樣本，對樣本進行人工提取，其次為了提升目標物的多樣性，對提取到的目標物進行HSV變化、水平翻轉(zhuǎn)、旋轉(zhuǎn)變換等圖像增強方法，最后將變換后的目標物疊加到不同的高速公路背景中。

模擬場景擴充過程中，為了不影響真實數(shù)據(jù)分布，做了以下兩點限制：首先為了保證數(shù)據(jù)真實樣本的數(shù)量，僅擴張500張模擬數(shù)據(jù)，同時根據(jù)真實數(shù)據(jù)集的劃分比例，將70%的數(shù)據(jù)樣本放置在訓練集中，將30%的數(shù)據(jù)樣本放置在驗證集中。其次為了保證樣本的可靠性，在疊加到不同的高速公路背景圖中時，僅選取道路中央作為目標區(qū)域。

2.4 數(shù)據(jù)集聚類分析

對標注框的中心點與高寬比進行聚類分析，可以初步了解數(shù)據(jù)集的樣本情況。如圖2（a）所示，擴充后的數(shù)據(jù)集標注框中心點多分布于y軸的上方，說明標注的目標物大部分位于圖像的下方，即路面、中央分隔帶與路肩等區(qū)域，符合高速異物在現(xiàn)實中的真實分布；如圖2（b）所示所示，標注框的高寬分布主要聚集于原點附近，說明目標物以小目標為主，符合高速異物在現(xiàn)實中的成像結(jié)果。因此可初步認定該數(shù)據(jù)集符合研究要求。

圖2 數(shù)據(jù)集聚類分析Fig.2 Dataset clustering analysis

3 RoadNetV2高速異物檢測算法

RoadNetV2高速異物算法主要包括：基于Light-Focus模塊和C3_CD模塊的輕量化主干網(wǎng)絡、基于Coord-Conv優(yōu)化的PAN特征融合網(wǎng)絡和基于alpha-CIOU損失函數(shù)的預測框優(yōu)化。其網(wǎng)絡結(jié)構(gòu)如圖3所示。

圖3 RoadNetV2高速異物檢測算法結(jié)構(gòu)圖Fig.3 Structure diagram of RoadNetV2 highway abandoned object algorithm

3.1 Light-focus淺層信息加強模塊

高速異物在圖片中呈現(xiàn)出區(qū)別于自然場景的顏色表征，為了讓算法可以更加注意到此種淺層信息，本文通過改進focus結(jié)構(gòu)，提出了一種輕量且高效的淺層信息加強模塊（light-focus）。light-focus的結(jié)構(gòu)圖如圖4所示。

圖4 Light-Focus結(jié)構(gòu)Fig.4 Light-Focus structure

Light-focus位于backbone的第一層。對于輸入圖片數(shù)據(jù)X∈Rh×w×c，首先進行常規(guī)的切片操作，將原有的圖像維度從h×w×c降低至，該步驟可將圖像信息從空間維度轉(zhuǎn)化至通道維度中，由此可以有效地降低圖片數(shù)據(jù)在下采樣的過程中的信息丟失。然后，將傳統(tǒng)的級聯(lián)卷積（即先對數(shù)據(jù)進行級聯(lián)，在進行卷積特征提?。┨幚硇薷臑樯疃染矸e級聯(lián)處理（即先使用k×k深度可分離卷積對切片數(shù)據(jù)進行逐通道信息提取，再進行特征級聯(lián)）。

深度卷積級聯(lián)處理具有兩大好處：首先逐通道處理可以提升模型對于淺層信息的提取能力，其次相比于普通卷積，深度可分離卷積可以有效降低模型的浮點計算量，提升模型在邊緣端的計算效率。該變化根據(jù)深度卷積核的尺寸來決定浮點計算量的降低比率，其計算公式如公式（1）所示：

式中d表示中間過程的通道數(shù)，一般情況下為，由于d＞＞k，所以浮點計算量的降低比率可約為

3.2 C3_CD特征提取模塊

高速異物目標物在RGB圖片成像中的成像特點如圖5所示（圖中紅色框為異物所在區(qū)域）。傳統(tǒng)的CNN目標檢測模型在處理像素占有率少和特征紋理不明顯的目標物時，在下采樣過程中容易丟失特征信息與全局信息，影響最終的檢測效果。因此本文提出了一種新型的特征提取模塊（簡稱C3_CD）。

圖5 高速異物圖片F(xiàn)ig.5 Image of highway abandoned objects

模型在下采樣過程中帶來的信息丟失是影響模型精度的一大重要因素。C3_CD模塊將上一級的輸入xi根據(jù)通道均分原則劃分為，將x′i′送入稠密連接模塊中進行多次通道擴充（擴充數(shù)為k），經(jīng)過n次擴充后，原有的數(shù)據(jù)通道由c增加值c+nk，在經(jīng)過一個Transition層變換后與另一條通道的x′i進行通道對齊。經(jīng)過稠密模塊的x′′i可以有效地保留上一級特征圖信息，而另一條通道的x′

i保證了信息流的梯度逆向傳播?？缂壋砻苓B接模塊在非線性變化過程中往往會丟失對全局信息的關(guān)注，為此在x′′i的非線性變化過程中引入了contextual transformer block（COT）[11]。COT模塊的結(jié)構(gòu)圖如圖6所示。COT模塊首先根據(jù)公式（2）生成特征向量q、k、v：

圖6 Contextual transformer block結(jié)構(gòu)Fig.6 Structure of contextual transformer block

式中Wk、Wv分別是卷積核大小為3和1的卷積運算。然后通過公式A=[k,q]·Wδ·Wγ生成特征向量q、k之間的注意力系數(shù)矩陣A，式中Wδ與Wγ分別是1×1的自定義卷積。隨后將注意力系數(shù)矩陣A與特征向量v通過點積運算生成動態(tài)特征圖Kd。最后融合k與Kd的特征信息作為該部分輸出。

將上下文信息注意力模塊與跨級稠密連接有效結(jié)合，其產(chǎn)生的C3_CD模塊結(jié)構(gòu)如圖7所示。

圖7 C3_CD模塊結(jié)構(gòu)Fig.7 C3_CD block structure

3.3 基于位置卷積優(yōu)化的PAN特征融合

C3_CD模塊提升了backbone的特征提取能力，但也提升了該部分的推理消耗（如圖8所示）。為了使整體模型更加輕量化，選擇了簡單的特征融合網(wǎng)絡path aggregation network（PAN）[12]，并使用CoordConv與Conv的卷積組合降低整體模型的運算消耗。CoordConv與Conv的位置關(guān)系如圖3中的卷積組合所示。

圖8 消融實驗結(jié)果圖Fig.8 Ablation experiment results

由圖2（a）高速異物錨框聚類分析所示，高速異物的錨框中心點在(x,y)∈( 0.8,0.7)范圍內(nèi)具有更強的聚集性，說明目標物在該位置出現(xiàn)頻率更高。結(jié)合高速異物目標框的位置特性，在特征融合網(wǎng)絡中引入了CoordConv，用于提取目標物的位置特征。Coord-Conv[13]在非線性變化H()·中引入了x位置編碼（即Cx）與y位置編碼（即Cy），因此該類層級的輸出為通過將CoordConv與Conv的卷積組合可以大幅降低C3_CD模塊給模型推理帶來的負面影響，同時引入位置信息編碼有助于提升模型的檢測精度。

3.4 基于多權(quán)值平衡的alpha-CIOU回歸優(yōu)化

損失梯度影響模型的收斂速度和收斂精度。為了更加精準地回歸出目標物的位置信息，本文選用了帶有懲罰因子的Alpha-CIOU對目標框進行位置回歸，同時為了提升小目標的識別精度和回歸精度，采用了多權(quán)值平衡計算策略，給予小目標損失項更大的權(quán)重值。

RoadNetV2總損失函數(shù)如公式（3）所示：

式中Lbig和α分別代表大目標檢測頭的總損失和權(quán)重值，Lmiddle和β分別代表中目標檢測頭的總損失和權(quán)重值，Lsmall和η代表著小目標檢測頭的總損失和權(quán)重值。在本文實驗中，α=0.4，β=1，η=4。

RoadNetV2單一尺寸損失由置信度損失（confidence loss）、定位損失（localization loss）、分類損失（classification loss）組成，其中每種損失都會有對應的權(quán)重值來改變模型的關(guān)注點。單一尺寸的損失函數(shù)計算公式如公式（4）所示：

式中Lcls和Lobj為分類損失和置信度損失，采用二元交叉熵的計算方式，同時采用低權(quán)重值的方式降低算法對其的關(guān)注點，Lbox為定位損失，采用Alpha-CIOU作為損失函數(shù)，同時賦其高權(quán)重值提升回歸精度。

定位回歸性能受限于預測框和標注框之間的交并比[14]。其交并比值受到IOU閾值的影響，進一步?jīng)Q定了AP計算中的正負樣本分配。選用的Alpha-CIOU有利于弱小目標（即難樣本）的學習，從而可以有效地回歸出圖片中的異物目標，提升算法精度，同時根據(jù)懲罰因子（在高速異物數(shù)據(jù)集中懲罰因子選擇為2.5）的合理選擇可以加快模型的收斂。Alpha-CIOU計算公式如公式（5）至公式（7）所示：

式中b和bgt為預測框與標注框的中心點，p()·為歐式距離計算，ν為預測框與標注框的長寬比相似程度，β為長寬比相似度的權(quán)重函數(shù)，α為損失函數(shù)的懲罰因子。

4 實驗驗證

本文實驗環(huán)境為：Intel?Core?i5-9300HF CPU 2.40 GHz，16 GB內(nèi)存，GTX 1660Ti 6 GB顯卡，Window10操作系統(tǒng)，Pytorch深度學習框架。在模型訓練階段，采用浮點計算量、權(quán)重文件大小、平均類別精度mAP@0.5：0.95（簡稱mAP）作為模型的評價指標。其中浮點計算量、權(quán)重文件大小表示模型的復雜程度，而mAP能夠全面表達目標檢測模型對于各類目標物的綜合精度，并且已經(jīng)作為COCO目標檢測數(shù)據(jù)集的官方競賽指標。在mAP的計算中，首先應該計算出模型的精確率（precision，P）和召回率（recall，R）這兩個指標，其計算公式分別如公式（8）和公式（9）所示：

式中P為精確率，R為召回率，TP為目標物被預測為正樣本的個數(shù)，F(xiàn)P為非目標物被預測為正樣本的個數(shù)，F(xiàn)N為非目標物被預測為負樣本的個數(shù)。

通過精確率和召回率指標可以計算出平均精度指標AP（average precision），計算方式如公式（10）所示：

式中P(r)為召回率是橫軸坐標、以精確率為縱軸組成的P-R曲線，通過積分可以得到其曲線與坐標軸圍成的面積，n為IOU閾值，如AP50表示IOU閾值為0.5的平均精度。

平均類別精度mAP的計算公式如公式（11）所示：

式中n表示類別數(shù)。一般情況下，mAP值越高，表示模型的檢測精度越高。

為了驗證模型在實際案例中的表現(xiàn)。本文還構(gòu)建了一份不同天氣下的測試集，測試集大小為1 500張，內(nèi)含818個高速異物，即含有高速異物的圖片與未含高速異物的圖片大致比例為1∶1。為了更為直觀地展示模型的好壞，定義了三個更為直觀的指標：正檢率（A值）、誤檢率（F值）、漏檢率（M值）。正檢率指模型正確檢出的數(shù)量占目標總數(shù)的比例；誤檢率指模型錯誤檢出的數(shù)量占目標總數(shù)的比例；漏檢率指模型未檢出個數(shù)占目標總數(shù)的比例。相比于深度學習模型中的P值、R值以及AP值等，A值、F值、M值更能令高速公路部門從業(yè)人員直觀了解算法的好壞。

4.1 訓練方法

在訓練階段，訓練輪數(shù)（epoch）為200，動量（momentum）為0.937，權(quán)重衰退值為0.000 5，批量大?。╞atch size）為1，初始學習率（learning rate）為0.01，采用隨機梯度下降（SGD）進行優(yōu)化，整個訓練階段采用指數(shù)滑動平均（EMA）和余弦退火學習率調(diào)整方法，在訓練的前3 000次迭代中采用warmup，warmup階段動量為0.8，學習率為0.01。由于RoadNetV2是一款基于錨框的目標檢測算法，所以本文采用K-means聚類方法生成預設錨框，得到初始錨框值為：[11，6，17，7，15，11]、[25，10，27，18，39，15]、[46，29，73，47，107，72]。

4.2 消融實驗

消融實驗的主要目標在于驗證各優(yōu)化模型對Road-NetV2算法的影響。消融實驗選用YOLOV5s作為基準模型，實驗各階段結(jié)果如圖8所示。其中優(yōu)化步驟1為模擬數(shù)據(jù)集擴充方法，優(yōu)化步驟2為Light-focus淺層信息增強模塊，優(yōu)化步驟3為引入C3_CD特征提取模塊，優(yōu)化步驟4為采用CoordConv與自定義Conv的組合，RoadNetV2為引入多權(quán)值A(chǔ)lpha-CIOU后的最終算法。如圖8所示，當引入CoordConv構(gòu)建輕量化融合網(wǎng)絡時，檢測性能出現(xiàn)大幅度降低，但仍優(yōu)于基準模型。當引入多權(quán)值A(chǔ)lpha-CIOU后，RoadNetV2高速異物檢測算法在精度和浮點計算量上都達成了最優(yōu)效果。

如圖8所示，發(fā)現(xiàn)采用優(yōu)化步驟4以后，模型的浮點計算量大幅度減少，但與此同時，模型的mAP值也由原來的61.0%降至了60.2%。當引入多權(quán)值權(quán)衡的Alpha-CIOU后，在不影響浮點計算量的情況下，模型的mAP值反而提升至了61.1%，高于優(yōu)化步驟3的結(jié)果。為了探尋采用多權(quán)值權(quán)衡的Alpha-CIOU是否在不使用優(yōu)化步驟4時，也能夠?qū)δＰ途犬a(chǎn)生促進效果。本文在不改變參數(shù)配置的情況下，對含有優(yōu)化步驟4的算法（Exp1）與未含有優(yōu)化步驟4的算法（Exp2）進行了比較，其結(jié)果如表2所示。結(jié)果表明，當不使用優(yōu)化步驟4時，提出的多權(quán)值權(quán)衡的Alpha-CIOU在與其他優(yōu)化步驟后的算法組合搭配時，模型的精度由90.7%降至90.4%，召回率由85.6%降至82.4%，mAP值由61.1%降至58.6%。

表2 優(yōu)化步驟4的消融實驗結(jié)果Table 2 Ablation experimental results of optimization step 4 單位：%

4.3 對比實驗

為了保證算法對比的公平性以及降低對比難度，本文并未使用遷移學習和遺傳算法對RoadNetV2進行優(yōu)化。同一算法在多次訓練容易造成性能波動，為此本文將不同算法進行了多次訓練（本文進行了5次訓練）并取平均值作為最后的對比結(jié)果。

本次對比的算法為YOLOV5s、YOLOXs和Ghost-YOLO[15]算法，其實驗結(jié)果如表3所示。在表3中可以直觀地發(fā)現(xiàn)本文提出的RoadNetV2高速異物檢測算法相比于其他三種YOLO算法，在精度上分別提升了1.7、2.3和3.5個百分點；參數(shù)量相比減少了2.59×106、4.47×106和0.41×106；權(quán)重文件僅為8.72 MB；模型的浮點計算量降低至12.1×109，F(xiàn)PS提升至37.0。

表3 實驗結(jié)果對比Table 3 Comparison of experimental results

4.4 實例分析

通過實際案例的分析與對比可以更好地得知模型在未來的使用過程中的表現(xiàn)穩(wěn)定性。對測試的結(jié)果進行人工統(tǒng)計正檢率、誤檢率和漏檢率其結(jié)果記錄在表4中。

表4 實例結(jié)果對比Table 4 Comparison of example results單位：%

如表4所示，RoadNetV2算法在測試集中一共檢出了297個拋灑物，漏檢率為63.7%，在檢出的拋灑物中正確檢出259個拋灑物，正檢率為87.2%，但也存在著12.8%的誤檢率。

在圖8中，發(fā)現(xiàn)當對數(shù)據(jù)集進行模擬場景擴充后，模型的mAP值僅提升了0.1個百分點，但此過程需要大量的人工參與，這是否會降低該方法的應用價值？針對此問題，對擴充前后的數(shù)據(jù)集分別進行了實際案例分析，其結(jié)果如表5所示。結(jié)果表明，對數(shù)據(jù)集進行模擬場景擴充后（Step 1實驗結(jié)果由擴充前數(shù)據(jù)得到），降低了模型的漏檢率，提升了正檢率。其原因可能是，加入的模擬場景數(shù)據(jù)，在保證數(shù)據(jù)分布的情況下，讓模型學習到此類相似目標物的共有特征。在真實數(shù)據(jù)集有限且自然場景下的圖像算法不成熟的情況下，采用模擬場景擴充的方法有利于提升算法的應用價值。

表5 各數(shù)據(jù)集實例分析結(jié)果Table 5 Example analysis results of each dataset單位：%

各實驗結(jié)果表明不同算法均有較高的漏檢率，分析主要原因可能是：數(shù)據(jù)集樣本過少，由于硬件算力限制模型訓練的數(shù)據(jù)集中僅有1 573個拋灑物標簽，無法完全覆蓋拋灑物全部類別特征從而導致出現(xiàn)了大量的漏檢。但在高速公路巡檢的實際使用中，高正檢率相比于高漏檢率往往能帶來更大的可靠度，即相關(guān)從業(yè)人員會更加信任模型檢出的目標物，同時高漏檢率可以通過構(gòu)建更大更全的數(shù)據(jù)集以及相關(guān)圖像生成算法來解決此情況。

RoadNetV2解決了同框架下的YOLOV5s對于弱小目標的漏檢以及誤檢情況。兩種算法的實例測試結(jié)果如圖9所示。在圖9（a）中，基準模型YOLOV5s遺漏了中央分隔帶的下水口處的水瓶而RoadNetV2高速異物檢測算法可以對其正確檢出；在圖9（b）中，基準模型YOLOV5s將橋梁排水口誤判為高速異物同時遺漏了圖上的白色異物，而RoadNetV2并沒有對其進行誤判，同時可以檢測出弱小目標物。

圖9 實例測試結(jié)果對比Fig.9 Comparison of example test results

5 結(jié)束語

針對現(xiàn)階段高速公路場景下，人工巡查異物容易出現(xiàn)懈怠等問題。本文提出了RoadNetV2高速異物檢測算法，該算法提出了light-focus淺層信息增強模塊增強模型對于淺層信息的學習；將跨級稠密連接與上下文自注意力機制有效結(jié)合提高特征提取能力；在特征融合部分采用CoordConv與Conv兩結(jié)合的方式，降低了模型的復雜程度；最后利用多權(quán)值平衡計算策略輔助Alpha-CIOU對目標物的位置信息進行高效回歸。實驗結(jié)果表明，在相同硬件設施且不適用遷移學習方法和超參進化的情況下，RoadNetV2相比于其他的YOLO系列目標檢測模型，在高速異物這個檢測任務中具有mAP值更高、浮點計算量更低、參數(shù)量更少等優(yōu)點。RoadNetV2深度學習模型，可在搭載Jetson NX的巡檢設備上達到實時檢測的幀率，其產(chǎn)品可以更好地輔助養(yǎng)護部門對其養(yǎng)護路段進行人工巡查，降低巡查壓力提升巡查速度。但現(xiàn)階段精測精度仍有待提高，未來仍將進一步地研究高速公路背景下輕量化神經(jīng)網(wǎng)絡的檢測精度問題，提升模型對于弱小目標物的檢測精度。