面向边缘端的实时道路障碍检测研究.pdfVIP

与

信息技术信息化数据科学与技术

面向边缘端的实时道路障碍检测研究

1111

宋明欣罗中泽郑奇志董光辉

摘要针对出行者在复杂路况下因情绪紧张而容易误判道路障碍的问题，为了实现道路障碍的实时目标检测，

减少事故的发生概率，提出了一种基于YOLOv9的道路障碍检测模型。首先，采用Gold-YOLO模块作

为Neck网络来代替传统FPN结构，提高模型对于不同层级特征的融合能力的同时实现了检测准确性的

提升；然后，采用CIoU边界回归损失函数作为模型训练的损失函数，保证了模型的定位准确性；最后，

在WOTR数据集上进行实验并部署到边缘计算设备测试。实验结果表明，改进后的模型mAP@0.5和

mAP@0.5:0.95分别达到了87%和61.8%，在不显著增加模型计算量的情况下，目标检测的精度得到了

普遍提升。

关键词YOLOv9；道路障碍检测；Gold-YOLO；边缘计算

doi：10.3969/j.issn.1672-9528.2025.01.028

0引言文采用Gold-YOLO模块作为Neck网络来代替传统FPN结构，

提升了模型对不同尺寸物体的检测能力。

近年来，在经济蓬勃发展的有力推动下，道路体系得以

（2）针对道路障碍检测场景复杂，易出现漏检错检的

持续完善，进而使得人们的出行方式变得愈发多样。多样化的

问题，在模型训练时采用CIoU损失函数，增强了模型对于

出行方式给人们提供便利的同时，也使得道路交通状况变得更

不同目标检测的鲁棒性和定位准确性。

加复杂，由此引发的交通安全问题愈发受到关注。因此，实现

（3）使用边缘计算设备进行部署，成功实现边缘端对

对道路障碍精准和迅速的检测具有重要的研究意义。

于道路障碍的目标检测识别。

基于深度学习的目标检测方法能够自动提取复杂数据

中的特征，大幅提升目标检测的准确性和实时性。根据是1实验方法

否生成候选框，深度学习方法可以分为两阶段的目标检测

1.1YOLOv9算法

算法（Two-stage）及一阶段的目标检测算法（One-stage）。[5]

2024年2月，Wang等人发布了新一代YOLO系列目

Two-stage算法对输入样本进行候选区域选取，然后通过

标检测版本，即YOLOv9。与YOLO系列的其他版本一样，

卷积神经网络对候选区域进行目标分类和定位。其典型算

其网络结构主要分为三部分：Backbone、Neak和Head。

法包括R-CNN[1]、FastR-CNN[2]和FasterR-CNN[3]等，