[论文解读] TraCon: A novel dataset for real-time traffic cones detection using deep learning

Iason Katsamenis, Eleni Eirini Karolou+5 more|arXiv (Cornell University)|May 24, 2022

Advanced Neural Network Applications被引用 7

一句话总结

本文提出TraCon，一个包含540张道路施工图像的新型RGB数据集，专为交通锥检测而标注，并提出一种基于YOLOv5的深度学习模型，实现高精度、实时的交通锥检测。该方法在包含遮挡和光照变化等多样现实条件下的测试中，实现了91.31%的平均交并比（IoU）得分，平均单张图像推理时间为0.065秒，表现出色。

ABSTRACT

Substantial progress has been made in the field of object detection in road scenes. However, it is mainly focused on vehicles and pedestrians. To this end, we investigate traffic cone detection, an object category crucial for road effects and maintenance. In this work, the YOLOv5 algorithm is employed, in order to find a solution for the efficient and fast detection of traffic cones. The YOLOv5 can achieve a high detection accuracy with the score of IoU up to 91.31%. The proposed method is been applied to an RGB roadwork image dataset, collected from various sources.

研究动机与目标

• 解决道路施工场景中实时交通锥检测缺乏专用数据集和鲁棒模型的问题。
• 通过实现对临时道路施工中使用的非永久性交通锥的精确检测，提升道路安全与自动化水平。
• 开发一种轻量化、可部署的对象检测系统，适用于内存有限的设备，如智能手机和无人机。
• 支持智能交通系统，包括自动驾驶和自动化道路施工监控。
• 通过支持HERON项目，使机器人维护系统能够感知并响应临时道路标志（如交通锥）

提出的方法

• 从DSLR相机、智能手机和无人机等多种来源收集540张道路施工图像，构建多源RGB数据集。
• 在HERON项目框架下，由项目专家工程师对所有图像进行交通锥边界框标注。
• 采用YOLOv5小模型实现实时目标检测，优化以降低计算成本和内存占用（<15 MB）。
• 通过水平翻转进行数据增强，将训练数据量从400张增至800张，提升模型泛化能力。
• 在Google Colab的Tesla K80 GPU上训练模型，使用批量大小为32，共训练200个周期，输入分辨率为448×448像素。
• 采用平衡的训练划分：在训练集和验证集中，正样本（含交通锥）与负样本（无交通锥）各占50%。

实验结果

研究问题

• RQ1 基于深度学习的目标检测模型能否在异构道路施工图像中实现高精度与实时推理的交通锥检测？
• RQ2 数据增强与平衡采样在小而多样的交通锥数据集上对检测性能有何影响？
• RQ3 YOLOv5小模型在保持高精度的同时，能否足够轻量化以部署于边缘设备？
• RQ4 在遮挡、光照变化及恶劣天气等挑战性条件下，模型表现如何？
• RQ5 像TraCon这样的专用数据集在提升交通锥检测系统泛化能力与基准测试方面能发挥多大作用？

主要发现

• 基于YOLOv5的模型在测试集上实现了91.31% ± 5.42%的平均交并比（IoU）得分，表明检测精度较高。
• 模型平均推理时间为0.065 ± 0.029秒/张，支持实时性能，适用于动态环境。
• 数据集共包含947个交通锥，分布在540张图像中，图像来自多种来源和条件，包括过曝、欠曝及多种天气类型。
• 通过水平翻转进行数据增强，将有效训练集规模从400张提升至800张，增强了模型泛化能力。
• 模型体积小（<15 MB），可部署于内存有限的设备，如智能手机、无人机和微控制器。
• 该数据集已公开发布于 https://github.com/ikatsamenis/Cone-Detection，支持可复现性与未来基准测试。