Page 140 - 2024年第55卷第11期

压机规划与决策，实现坝面碾压施工过程中的精准避障，提高施工安全和效率。

２ 基于毫米波雷达和相机融合的无人碾压机施工环境精确感知方法

２．１ ＤＣ － ＦａｓｔｅｒＲ － ＣＮＮ目标检测算法 ＦａｓｔｅｒＲ － ＣＮＮ是两阶段目标检测模型中的典型代表，其详细
流程是：将大小为 Ｐ × Ｑ的施工场景图像预处理为 Ｍ× Ｎ的图像；利用特征提取网络 ＶＧＧ１６对预处理后
的图像进行特征提取并输出共享特征图；候选区域提取网络（ ＲｅｇｉｏｎｓＰｒｏｐｏｓａｌＮｅｔｗｏｒｋ，ＲＰＮ）利用 ３ × ３
滑动窗口在特征图的每个点上进行卷积运算，得到多个不同尺寸和高宽比锚框（ａｎｃｈｏｒｓ）的前景概率和
锚框修正 系 数；根 据 前 景 概 率 提 取 一 定 数 量 的 ａｎｃｈｏｒｓ，在 剔 除 超 出 图 像 边 界 以 及 尺 寸 非 常 小 的
ａｎｃｈｏｒｓ后，利用非极大值抑制算法（Ｎｏｎ － Ｍａｘｉｍｕｍ Ｓｕｐｐｒｅｓｓｉｏｎ，ＮＭＳ）选取出最终的目标预测框（ｐｒｏ
ｐｏｓａｌｓ ）；将生成的 ｐｒｏｐｏｓａｌｓ映射到共享特征图上得到感兴趣区域（ＲｅｇｉｏｎＯｆＩｎｔｅｒｅｓｔ，ＲＯＩ），而后利用
感兴趣区域池化层（ＲＯＩＰｏｏｌｉｎｇ）统一 ＲＯＩ尺寸；最后，将统一尺寸后的 ＲＯＩ依次送入全连接层与 Ｓｏｆｔ
ｍａｘ分类器，得到目标类别、分类置信度和预测框位置 ［４７］ 。
空洞卷积是针对计算机视觉任务下采样会降低图像分辨率、丢失信息而提出的一种卷积思路，可
在不做池化（ｐｏｏｌｉｎｇ）损失信息的情况下实现对原始图像数据的扩张计算，提高网络的感受野，进而提
升了算法的速度和精确性。
考虑到碾压混凝土坝坝面碾压施工场景复杂、感知精度和速度要求高等特点，本文将 ＦａｓｔｅｒＲ －
ＣＮＮ的 ＶＧＧ特征提取网络的第 ４、５个卷积模块分别替换为卷积率为 ２、３、５的空洞卷积并进行三次
卷积操作，构建了基于空洞卷积的 ＦａｓｔｅｒＲ － ＣＮＮ（ＤＣ － ＦａｓｔｅｒＲ － ＣＮＮ）目标检测算法，实现了坝面碾压
施工仓面中多类型障碍物的快速准确识别，ＤＣ － ＦａｓｔｅｒＲ － ＣＮＮ的算法原理如图 １所示。

图 １ ＤＣ － ＦａｓｔｅｒＲ － ＣＮＮ框架图

２．２ 基于毫米波雷达与相机的感知信息融合方法 毫米波雷达在测距、测速、测方位方面表现优秀，
且可以全天候工作，但因无法感知障碍物的类别，常常造成目标的误识别，故无法单独实现精准避
障。基于计算机视觉的多类别障碍物检测算法能够获得丰富的坝面环境信息（包括障碍物的类别、数
量等特征），但因难以应对坝面复杂多变的光照条件及天气变化，无法适应全天候坝面碾压需求，且单
目相机因无法得到障碍物与无人碾压机之间的距离，也无法单独实现精准避障。将毫米波雷达与相机感
知到的障碍物信息在决策层进行融合，即利用相机对障碍物的类别进行感知，利用毫米波雷达对障碍物
距离和速度进行感知，然后再对上述信息进行融合 ［４８］ ，为无人碾压机提供更加全面、准确、有效的前方
障碍物多类别信息，进而实现无人碾压机的动态、精准避障。由于相机与毫米波雷达安装在无人碾压机
的不同位置，且两者的俯仰角度、旋转角度等位置信息不同，故需要对两种传感器的空间位置进行标定；
由于两传感器的起始工作时间和数据采集频率不同，也需要对两传感器的时间进行联合标定。

— １ ４ ６ —
０