تشخیص خط در ماشینهای خودران با استفاده از یادگیری عمیق

خطوط جاده به عنوان عناصر حیاتی در سیستمهای ادراک بصری خودروهای هوشمند نقشی کلیدی در تضمین ناوبری ایمن ایفا میکنند و برای سیستمهای رانندگی خودران و فناوریهای پیشرفته کمک راننده (ADAS) ضروری هستند. با این حال، دستیابی به دقت بالا در تشخیص خطوط جاده در شرایط چالش برانگیز مانند سایه، ازدحام ترافیک و خطوط محو، همچنان چالش بزرگی است. در این پژوهش، یک معماری سبک وزن پیشنهاد شده است که با ادغام استراتژیهای نوآورانه، عملکرد تشخیص خطوط را در سناریوهای پیچیده بهبود می بخشد. هسته اصلی این معماری ادغام هدفمند یک ماژول توجه کانالی-فضایی (CBAM) در لایه های میانی شبکه ResNet-۳۴ است که امکان تقویت ویژگی های مرتبط را فراهم می سازد. علاوه بر این، با بهره گیری از تکنیک های پیشرفته تقطیر دانش الهام گرفته از مدل CLRKDNet، روش پیشنهادی همچنین دقت تشخیص بالا و کارایی بلادرنگ را دستیابی می کند. ارزیابی روی مجموعه داده CULane نشان داد که روش پیشنهادی به امتیاز F۱ معادل ۸۰.۲۰٪ دست یافته است که نشان از برتری نسبت به مدل های موجود دارد. این چارچوب نوآورانه، با اولویت بندی دقت بالا و حفظ کارایی بلادرنگ، پتانسیل بالایی برای کاربرد در سیستم های پیشرفته کمک راننده و وسایل نقلیه خودران ارائه می دهد.

کلیدواژه ها:

تشخیص خطوط جاده ، سیستم های پیشرفته کمک راننده ، رانندگی خودران ، ماژول توجه کانالی فضایی ، تقطیر دانش ، ایمنی حمل و نقل