Page 144 - 2024年第55卷第11期

从表 １可以看出，对比目标检测精度，改进后的 ＤＣ － ＦａｓｔｅｒＲ － ＣＮＮ的平均精度值 ｍＡＰ为 ７２．９，
高于 ＦａｓｔｅｒＲ － ＣＮＮ的 ７０．３和 ＹＯＬＯ的 ６４．７，具有更高的目标检测精度。对比检测速度，ＤＣ － ＦａｓｔｅｒＲ －
ＣＮＮ的目标检测速度为 ０．１５５ｓ?张，较改进前 ＦａｓｔｅｒＲ － ＣＮＮ的 ０．１７０ｓ?张快，但较 ＹＯＬＯ目标检测算
法的 ０．０６１ｓ?张慢。然而就现场实际情况而言，碾压混凝土坝无人碾压机的控制指令每 ０．２ｓ发送一
次，ＤＣ － ＦａｓｔｅｒＲ － ＣＮＮ的目标检测速度足以满足无人碾压机的目标检测需求。综上，ＤＣ － ＦａｓｔｅｒＲ －
ＣＮＮ目标检测算法更适合碾压混凝土坝坝面施工障碍物的快速准确检测。
将训练得到的模型在测试集上进行测试，部分检测结果如图 ５所示。由图中可以看出，基于 ＤＣ －

ＦａｓｔｅｒＲ － ＣＮＮ的目标检测算法能够实现对工人和施工现场机械的精准检测，进而确保无人碾压机的安
全、稳定运行。

图 ５ 部分目标检测结果（识别准确）
３．２ 基于毫米波雷达的障碍物距离与速度检测 本研究选用的毫米波雷达为德国生产的 ＡＲＳ４０８ －
２１ＸＸ ，此型号雷达能够自动对采集的原始雷达点云数据进行聚类处理，进而得到目标点的位置和速
度信息，其相关工作参数如表 ２所示。毫米波雷达在采样过程中会存在一些噪声，为消除这些干扰信
号，需要对采集到的数据进行过滤，相关过滤参数见表 ３。可利用雷达调试软件对毫米波雷达数据进
行采集、预处理、可视化及保存。

表 ２ 毫米波雷达工作参数信息
参数 发射频率 发射功率 更新率 测距范围 测距精度 测速范围 测速精度

典型值 ７７ＧＨｚ ３５．１ｄＢ·ｍ １７Ｈｚ ２５０ｍ ±０．１０ｍ － ４００～ ＋ ２００ｋｍ?ｈ ±０．１ｋｍ?ｈ

毫米波雷达某一帧采集数据过滤前和过滤后的图像如 表 ３ 过滤器参数设置
图 ６所示。
过滤参数 最小值 最大值
３．３ 基于毫米波雷达和相机融合的施工障碍物快速精确
水平角度?（°） － ５０ ５０
感知 利用搭建了相机与毫米波雷达融合的无人碾压机实 ２
雷达反射截面积?（ｄＢ·ｍ ） － １０ １０
验平台，在坝面施工现场进行多组实验，并对实验结果进 目标持续时间?ｓ ０．５ ∞
行分析。 ２
目标大小?ｍ ０．２ ２０
３．３．１ 实 验 平 台 搭 建 使 用 笔 记 本 电 脑 （Ａｌｉｅｎｗａｒｅｘ１５
Ｒ２）作为车载运算平台，将毫米波雷达固定安装在无人碾压机前机架中央位置处，通过 ＵＳＢ － ＣＡＮ分
析仪将其与笔记本电脑 ＵＳＢ接口相连，并在电脑上安装好相关驱动程序。将 ＨＩＫＶＩＳＩＯＮ － Ｅ１２ａ相机固
定于无人碾压机车顶中间位置处，通过相机自带的 ＵＳＢ数据线与笔记本电脑 ＵＳＢ接口相连。搭建好
的实验平台如图 ７所示。
３．３．２ 实验验证 利用固定在无人碾压机上的毫米波雷达和相机采集 ３４个目标点对，将雷达采集数
据中目标的纵向距离 ｘ，横向距离 ｙ与对应的像素坐标（ｕ，ｖ）制成表 ４。
ｇ
ｒ
ｒ
ｇ
— １ ４ ０ —
１