[发明专利]一种基于神经网络的路基检测装置及方法

权利要求书

1.一种基于神经网络的路基检测装置，其特征在于，包括固定装置(1)、加速度传感器(2)、处理器(3)、激光测距传感器(5)、摄像头(6)和里程表传感器(7)，所述固定装置(1)包括固定板(11)、支撑架(12)和连接件(16)，所述固定板(11)的顶部与处理器(3)的底端固定安装，所述固定板(11)的顶部一端与加速度传感器(2)的底端固定安装，且所述固定板(11)的顶部另一端与激光测距传感器(5)的底部固定安装，所述固定板(11)的顶部固定连接有里程表传感器(7)。

2.根据权利要求1所述的一种基于神经网络的路基检测装置，其特征在于：所述连接件(16)的一端与固定板(11)固定一端固定安装，且所述连接件(16)的另一端与摄像头(6)的一端固定连接。

3.根据权利要求1所述的一种基于神经网络的路基检测装置，其特征在于：所述固定板(11)的顶部固定连接有声光报警器(4)，所述固定板(11)的两端对称焊接有安装板(15)。

4.根据权利要求1所述的一种基于神经网络的路基检测装置，其特征在于：所述固定板(11)的底部两端对称焊接有两个固定架(14)，所述支撑架(12)的一端与固定架(14)的一端焊接固定。

5.根据权利要求1所述的一种基于神经网络的路基检测装置，其特征在于：所述支撑架(12)的底部一端设置有固定螺栓(13)。

6.一种基于神经网络的路基检测装置的改进方法，其特征在于，使用了权利要求1-5任一项的基于神经网络的路基检测装置，包括以下步骤：

S1、采用yolov5s.yaml预训练模型作为初始权重；

S2、改进损失函数；

S3、参数优化；

S4、引入SE注意力机制。

7.根据权利要求6所述的一种基于神经网络的路基检测装置的改进方法，其特征在于，在步骤S2中，所述改进损失函数，包括以下步骤：

S21、YOLOv5使用的损失函数是CIOU，CIOU将重叠面积、中心点距离、宽高比同时加入了计算，其完整的损失函数表达式为：

其中：

其中，ρ为框A、B中心点距离，c为框A、B最小包围矩形的对角线长度，v为框A、B的宽高比相似度，α为v的影响因子；

S22、虽然CIOU考虑了重叠面积、中心点距离、纵横宽高比三个因素，但是通过其公式中的v项反应纵横比的差异有时会妨碍模型的优化；

S23、在这一基础上，提出了损失函数EIOU，EIOU将宽高比的影响因子拆开分别计算目标框和锚框的长和宽，其完整的损失函数表达式为：

8.根据权利要求7所述的一种基于神经网络的路基检测装置的改进方法，其特征在于：在步骤S3中，所述参数优化，包括以下步骤：

S31、余弦退火算法：余弦退火的公式如下：

其中，其中i是当前run次数，和分别为学习率的最大与最小值，T_cur表示当前epoch，T_i为第i次run总的epoch数；

S32、标签平滑：YOLOv5内置了标签平滑参数，通过设置可以选用标签平滑替代原先的标签分类损失，标签平滑的公式如下：

其中，y_i是原标签值，表示修改后的标签值，ε表示一个很小的值(如0.1)。

9.根据权利要求8所述的一种基于神经网络的路基检测装置的改进方法，其特征在于，在步骤S4中，所述引入SE注意力机制，通过SE块可以重新校准特征，其核心是：

S41、Squeeze块：Squeeze块将全局空间信息压缩到通道描述符中，使每个单元该区域之外的上下文信息可以被利用；

原网络的卷积操作公式为：

其中，v_c表示第c个卷积核，x^s表示第s个输入，u_c是卷积后的三维矩阵中第c个二维矩阵；

通过使用全局平均池来生成通道统计信息的Sequeeze操作公式为：

其中，H和W表示图片的高与宽，z_c表示特征图全局信息；

S42、Exitation块：使用Exitation操作获取通道相关性，选用含sigmoid函数的简单门控机制，其公式为：

s＝F_ex(z,W)＝σ(g(z,W))＝σ(W₂δ(W₁z))

其中，σ是指ReLU函数。