基于改进 YOLOv5 的激光雷达水下障碍物检测

Journal: Advances in Computer and Autonomous Intelligence Research DOI: 10.12238/acair.v3i2.13502

董帮林1, 尚建华2, 贺岩3, 吕德亮3, 侯春鹤3, 阮英杰3

1. 东华大学 信息科学与技术学院 ; 中国科学院上海光学精密机械研究所空天激光技术与系统部王之江创新中心
2. 东华大学 信息科学与技术学院
3. 中国科学院上海光学精密机械研究所空天激光技术与系统部王之江创新中心

Abstract

机载激光雷达已被广泛应用于水下地形测绘等领域,针对水下障碍物探测及识别精度低、速度慢等问题,本文在YOLOv5算法的基础上设计了目标分类和目标检测两个网络,实现了对水下障碍物的探测和识别。借助ConvNeXt Block模块对分类和检测两个模型的主干网络进行了优化,加强了网络对激光雷达图像中小目标特征的提取能力,提高了目标分类和检测的精度;选用EIoU损失函数作为检测网络的边框回归损失函数,提升了模型的收敛速度和目标预测精度。实验结果表明,改进后的分类模型的分类准确率可达96.8%,比原分类模型的准确率提高了3.2%;改进后的检测网络的精确度和平均精度均值比原有检测网络分别提高了3%和2.8%。

Keywords

YOLOv5算法;损失函数;图像处理;激光雷达

References

[1] 董希贵,黄东武.特定环境下水下地形和碍航物的复合探测[J].海洋测绘,2004,(02):32-36.
[2] 阮英杰,贺岩,吕德亮,等.激光雷达水下障碍物剖面图像处理方法[J].红外与激光工程,2024,53(07):128-139.
[3] Sun L,Pan J, Tang J. Shufflemixer: An efficient convnet for image super-resolution[J].Advances in Neural Information Processing Systems,2022,35:17314-17326.
[4] 杜俊.基于YOLOv8和迁移学习的垃圾分类方法[J].智能计算机与应用,2024,14(09):63-69.
[5] ZhangY F, Ren W, Zhang Z, et al. Focal and efficient IOU loss for accurate bounding box regression[J].Neurocomputing, 2022,506:146-157.

Copyright © 2025 董帮林, 尚建华, 贺岩, 吕德亮, 侯春鹤, 阮英杰

Creative Commons License
This work is licensed under a Creative Commons Attribution-NonCommercial 4.0 International License