基于MEBP-YOLOv10的无人矿卡行进道路障碍物检测

摘要

随着露天矿无人驾驶技术的广泛应用，无人驾驶卡车在复杂矿区环境下的障碍物检测问题日益凸显。针对障碍物检测存在的多尺度目标精度差和小目标特征融合不足等问题，提出了一种基于MEBPYOLOv10的矿卡前进道路上的障碍物检测模型。该模型首先设计了C2f-MSC模块，采用分组策略和多尺度卷积提高特征提取效率；其次在主干网络中嵌入ECA注意力机制，强化了模型对障碍物的特征提取能力；然后使用BiFPN特征融合模块，调整权重占比以提高小目标障碍物的特征融合能力；最后将预测框损失函数更换为PIoU损失函数，通过惩罚项加快模型收敛。试验结果表明，改进后的模型对露天矿区中障碍物的检测精度、召回率、mAP和实时检测速度分别达到89.8%、79.8%、83.5%和103.4FPS，显著提高了矿卡前进道路上障碍物的检测精度，同时兼顾了实时处理能力和模型轻量化需求，方便部署在矿卡上的边缘设备。

关键词

露天矿 / 无人矿卡 / 机器视觉 / 障碍物检测 / 特征融合