Page 139 - 2024年第55卷第11期

［９］
变形部件模 型 （ＤｅｆｏｒｍａｂｌｅＰａｒｔｓＭｏｄｅｌ，ＤＰＭ） 。一 些 研 究 人 员 ［１０ － １３］ 利 用 ＨＯＧ特 征 与 支 持 向 量 机
（ ＳｕｐｐｏｒｔＶｅｃｔｏｒＭａｃｈｉｎｅｓ，ＳＶＭ）相结合的方式对不同场景下的目标进行检测，取得了令人满意的结
果。罗栩豪等 ［１４］ 和 Ｙｕ等 ［１５］ 分别提出基于改进的 ＳＩＦＴ算子的目标检测算法，提高了目标检测精度。
Ａｌｉ等 ［１６］ 提出了基于互补技术的快速目标检测流程，在保持 ＤＰＭ 精度的同时提高了 ＤＰＭ 的速度。然
而，基于手工提取特征的目标检测算法容易受到光线、遮挡等环境条件的影响，且在面对不同问题时
可能需要重新设计和调整特征提取器，鲁棒性较差 ［１７］ 。
近年来基于深度学习的多类型障碍物检测算法取得了高速发展，此类算法与基于手工提取特征的
障碍物检测算法相比具有检测准确率高、适应性强等优点，在施工现场多类型障碍物检测中具有广泛
的应用前景 ［１８ － ２０］ 。当前最先进的目标检测方法可分为两类：单阶段目标检测算法和两阶段目标检测算
法。单阶段目标检测领域较为出名的算法有 ＹＯＬＯ（ＹｏｕＯｎｌｙＬｏｏｋＯｎｃｅ）系列 ［２１ － ２２］ 、ＳＳＤ（ＳｉｎｇｌｅＳｈｏｔ
［２４］
ＭｕｌｔｉＢｏｘＤｅｔｅｃｔｏｒ ） ［２３］ 和 ＲｅｔｉｎａＮｅｔ 等。Ｐａｒｋ等 ［２５］ 提出了基于 ＹＯＬＯ的复杂建筑工地常见障碍物的快
速检测方法；Ｇｕｏ等 ［２６］ 利用 ＳＳＤ的变体实现了对施工现场工程车辆 （如压路机、挖掘机和推土机等）
的快速检测；王雨生等 ［２７］ 利用 ＲｅｔｉｎａＮｅｔ算法实现了对施工现场工人安全帽佩戴情况的快速检测。它
们相较于两阶段目标检测算法具有更快的推理速度。两阶段目标检测算法领域较为出名的包括在区域
卷积神经 网 络 （ＲｅｇｉｏｎｓｗｉｔｈＣｏｎｖｏｌｕｔｉｏｎａｌＮｅｕｒａｌＮｅｔｗｏｒｋ，Ｒ － ＣＮＮ）基 础上 发 展 的 ＦａｓｔｅｒＲ － ＣＮＮ ［２８］ 、
ＭａｓｋＲ － ＣＮＮ ［２９］ 和 ＣａｓｃａｄｅＲ － ＣＮＮ ［３０］ 等。Ｆａｎ等 ［３１］ 利用改进的 ＭａｓｋＲ － ＣＮＮ对土石坝堆石料进行定位
与分割，实现对堆石料级配的精准检测；Ｑｉ等 ［３２］ 和 Ｌｉｎ等 ［３３］ 分别利用 ＦａｓｔｅｒＲ － ＣＮＮ实现了土方工程
现场工人安全帽佩戴情况与机械设备的精准检测。它们相较于单阶段目标检测算法具有更高的检测精
度。由于无人碾压机在仓面作业时行进速度相对缓慢（约 ３ｋｍ?ｈ），其决策系统每秒仅需发出 ５条控制
指令即能保证其安全、稳定运行。相较于 ＹＯＬＯ系列、ＳＳＤ和 ＭａｓｋＲ － ＣＮＮ等算法，ＦａｓｔｅｒＲ － ＣＮＮ能
够在确保目标检测速度满足实际需求的同时取得更高的检测精度，故其在坝面多类别障碍物检测中更
具优势。虽然 ＦａｓｔｅｒＲ － ＣＮＮ中完成下采样的池化（Ｐｏｏｌｉｎｇ）层增加了感受野，但与此同时降低了图像
的分辨率，造成了图像内部数据结构和空间层级化信息的损失，可能会导致小目标无法被有效检测。
空洞卷积（又名扩张卷积，ＤｉｌａｔｅｄＣｏｎｖｏｌｕｔｉｏｎｓ，ＤＣ）是专为解决计算机视觉任务下采样导致的图像分
辨率降低和信息丢失而提出的一种卷积思路，通过灵活调整空洞卷积核的扩张率，能够有效地捕捉多
尺度特征，有助于处理不同大小的目标 ［３４］ 。为了克服 ＦａｓｔｅｒＲ － ＣＮＮ的局限性，本文创新性地将 Ｆａｓｔｅｒ
Ｒ － ＣＮＮ的 ＶＧＧ特征提取网络的第 ４、５个卷积模块中的传统卷积核替换为扩张率分别为 ２、３、５的空
洞卷积核，构建了 ＤＣ － ＦａｓｔｅｒＲ － ＣＮＮ目标检测算法。这一改进使得每个卷积输出都包含更为广泛的信
息，从而实现坝面环境的快速精确检测。
毫米波雷达具有抗干扰性强、全天候工作等优势，能精确感知前方障碍物的距离、速度和方位信
息 ［３５］ ，近年来被广泛应用于无人驾驶 ［３６ － ３７］ 、城市安防 ［３８ － ３９］ 等领域。但基于单毫米波雷达感知的信息
较为单一，因此越来越多的研究开始聚焦于多传感器信息融合 ［４０］ ，其中将毫米波雷达与相机进行感知
信息融合是当前最热门的研究方向 ［４１］ 。熊光明 ［４２］ 、尚昊等 ［４３］ 在目标层级对毫米波雷达和红外相机的
感知信息进行融合，实现了烟雾遮挡、黑夜条件下目标检测与跟踪性能的提升。李宏晖等 ［４４］ 提出了毫
米波雷达与相机在数据层融合的粒子滤波跟踪算法，显著提升了恶劣天气条件下目标的跟踪性能。张
岩等 ［４５］ 利用视觉检测结果滤除毫米波雷达检测中的干扰点，为自主作业农机提供前方田埂的精确信
息。Ｓｅｎｇｕｐｔａ等 ［４６］ 在决策层对毫米波雷达与相机的信息进行融合，实现在单个传感器出现故障情况下
仍能连续跟踪目标。
综上所述，针对当前无人碾压机对坝面环境信息感知过少进而无法保证无人碾安全、稳定施工的
问题，本文提出了基于毫米波雷达和相机融合的无人碾压机施工障碍物快速精确感知方法。首先，将
ＦａｓｔｅｒＲ － ＣＮＮ的 ＶＧＧ特征提取网络的第 ４、５个卷积模块分别替换为扩张率为 ２、３、５的空洞卷积并
进行三次卷积操作，提高了网络的感受野，实现了对仓面障碍物类型的快速精确识别。然后，将毫米
波雷达感知的障碍物距离、速度信息与相机感知的障碍物类别信息进行融合，实现对障碍物类别、距
离和速度等信息的全面精确感知。最后，将感知的多元信息输入无人碾压机的决策系统，辅助无人碾

４
— １ ０ ５ —