关键词:
交通标志识别
深度学习
嵌入式系统
Yolov5s
协调注意力
通道轻量化
树莓派
摘要:
交通标志是保障城市交通畅通运行的基础。交通标志识别(Traffic Sign Recognition,TSR)作为智能交通系统中的重要一环,通过自动识别交通标志来提醒驾驶员规范驾驶或反馈给其它智能交通系统,能够降低交通事故发生概率、提升交通运行效率,在交通辅助安全、无人驾驶等领域有良好的应用前景,对于数字城市建设具有重要意义。深度学习(Deep Learning)提供一种先进、智能的目标检测识别方法,相较于传统的目标检测方法具有学习特征能力强、适应性好、能够处理复杂场景等优势,因而在交通目标识别领域备受研究者关注。同时,小型嵌入式设备由于成本低、体积小的特点被车载终端、交通路边单元等广泛应用。嵌入式交通标志识别系统能与现有的云端检测应用形成互补,有助于交通标志识别的应用普及。但由于现有研究的高性能深度学习模型网络结构复杂、运行效率低,部署到资源有限的通用型嵌入式平台,依旧面临挑战,因此研究嵌入式交通标志智能识别系统十分必要。本文针对深度学习目标检测模型在嵌入式应用中的模型轻量化、检测速度、识别精度之间的性能平衡问题,结合国内外技术调研,提出一种高精度、轻量化交通标志智能识别算法,并在树莓派上实现了嵌入式实时交通标志识别系统。主要研究内容及创新贡献如下:(1)首先,针对现有轻量化Yolov5s模型特征提取能力不足、识别准确率低,不能很好适应交通标志小目标识别的问题,提出了一种基于协调注意力(Coordinate Attention,CA)的交通标志识别算法SC-Yolov5s。通过引入CA机制、Stem block结构、检测尺度优化,优化网络结构,提高交通标志检测准确率。(2)进一步,针对嵌入式交通标志智能识别模型轻量化过程中的内存占用、检测速度、识别精度之间的性能平衡问题,设计提出了一种通道轻量化交通标志识别算法SC-Yolov5s-lite,通过通道变换引入Fire module轻量结构和精简Bottleneck残差模块,有效地压缩模型,在保持识别精度的同时提升了检测速度,使模型更好地适用于嵌入式设备部署。(3)最后,构建树莓派嵌入式交通标志智能识别系统并开展实验。首先,基于开放的TT100K源进行交通标志数据集的构建与标定,完成对新模型的训练优化、消融实验和性能比测;然后,在树莓派(Raspberry Pi 4B)平台上搭建系统环境与Torch(版本1.8.0)深度学习运行环境,移植模型,实现树莓派嵌入式交通标志识别系统,并逐步开展对交通场景图片、动态交通视频和摄像头实时采集的测试。结果表明:SC-Yolov5s-lite模型内存占用为7.7M,m AP识别精度为79.7%,在树莓派上的推理延时为2.9s,对交通图片5类场景18种情况的平均识别率达83.3%,系统实测的检测识别效果良好。综上,本文提出的新模型兼顾了轻量化、识别准确率高和检测速度快的综合性能优势,具有识别准确、适用性好、小型化、成本低的特点,为交通标志智能识别系统提供了科学的设计依据,具有良好的应用前景。