基于深度學習的汽車防追尾預警系統設計

摘" 要： 當前主流的防追尾系統普遍存在識別因素單一、對駕駛員自身預防效果欠佳的問題，為此，設計一種基于深度學習的汽車防追尾預警系統。將YOLOv5剪枝技術、注意力機制、PID優化器等方法融入網絡模型的訓練中，以優化模型精度并減小模型體積；其次，以距離判斷為主，速度、加速度、事故危害性判斷為輔來計算車輛的追尾風險，每次預警后通過MQTT協議將數據上傳至物聯網平臺，并在系統結束運行時對駕駛員進行安全分析。系統最終部署在TensorRT環境上進行再次優化。實驗結果表明，所設計的汽車防追尾預警系統響應速度快，適應性強，判斷風險較為準確。

關鍵詞： 汽車防追尾系統； 深度學習； YOLOv5； 物聯網； 追尾判斷； 風險預警

中圖分類號： TN911.23?34； TP302.1" " " " " " " " " "文獻標識碼： A" " " " " " " " 文章編號： 1004?373X（2024）14?0157?05

Design of automobile rear end collision prevention warning system

based on deep learning

YE Hao1， XU Jinqiang1， PI Yumeng2， ZUO Kangyu2

（1. School of Electronic and Information Engineering， Guangdong Ocean University， Zhanjiang 524088， China;

2. School of Economics and Management， South China Agricultural University， Guangzhou 510642， China）

Abstract： In allusion to the current mainstream rear end collision prevention systems， there is a common problem of single identification factors and insufficient prevention effect on the driver themselves. A deep learning based automotive rear end collision prevention warning system is designed， which can integrate YOLOv5 pruning technology， attention mechanism， PID optimizer and other methods into the training of network models to optimize model accuracy and reduce model volume. The rear end risk of vehicles is calculated mainly based on distance judgment， and supplemented by speed， acceleration， and accident hazard judgment. After each warning， the data is uploaded to the Internet of Things platform by means of the MQTT protocol， and safety analysis is conducted on the driver when the system ends running. The system is ultimately deployed in the TensorRT environment for the further optimization. The experimental results show that the designed car rear end collision prevention warning system has fast response speed， strong adaptability， and accurate risk assessment.

Keywords： car rear end collision prevention system; deep learning; YOLOv5; Internet of Things; tail end judgment; risk warning

0" 引" 言

在車輛行駛過程中發生的追尾現象較為普遍，據統計[1]，追尾事故占所有撞車事故的20%～30%，約占所有致命撞車事故的10%。在目前防追尾研究領域，如何快速、準確地判斷追尾事故的發生是保障人們出行安全的一大難題。當前較為主流的防追尾系統大多局限于單一的判斷因素，主要依靠激光雷達判別、視覺判別等，同時其臨時性的預警行為難以真正提高駕駛員的安全意識。理想的預警機制是能夠在較短時間內盡可能考慮更加全面的因素，以正確判斷追尾事故的風險并及時預警，同時通過行程數據統計駕駛員的行程風險并反饋給駕駛員或其家人，以更好地督促駕駛員安全駕駛。YOLO剪枝技術、注意力機制模塊、多因素計算等方式為上述難題提供了思路與解決方法，將其有效融入防追尾系統的檢測中，能夠更為快速、準確地對當前車輛進行實時的風險判斷，為駕駛員提供更好的保護。本文設計用英偉達Jetsonnano作為系統的主控，用工業攝像頭、激光雷達對前方車輛的類別、距離進行實時獲取，利用北斗GPS模塊對當前位置、速度信息進行獲取，讓主控能夠獲得當前車輛更加全面的信息并計算車輛的追尾風險。本文重點從軟件的角度進行闡述，判別方式利用距離判斷為主，速度、加速度、事故危害性判斷為輔以計算車輛的追尾風險；再利用OpenCV驅動USB工業攝像頭進行YOLOv5目標檢測，模型訓練過程采用YOLOv5剪枝算法、PID優化器以及CA（Coordinate Attention）注意力機制等進行優化處理；最終將算法部署到英偉達TensorRT上進行加速優化，并在顯示屏上生成攝像頭畫面以及主板所接收的信息，以便觀察防追尾系統的運行狀態。

1" 系統總方案設計

基于深度學習的汽車防追尾預警系統由USB攝像頭識別、追尾風險記錄器、追尾風險判斷器等模塊構成，各模塊之間互相配合，共同組成一套完整的汽車防追尾系統。汽車防追尾系統總體結構如圖1所示。

汽車防追尾預警系統各模塊功能說明如下。

1） USB攝像頭識別。通過OpenCV驅動USB攝像頭對車輛前方環境進行信息采集，利用YOLOv5算法對所采集的信息進行目標檢測，以獲取前方車輛的坐標及類別信息；再選取正前方車輛信息發送至追尾風險判斷器，進行追尾危險系數判斷。

2） 追尾風險記錄器：由USB雙頻網卡組成，通過手機熱點或其他方式組成局域網，利用MQTT物聯網傳輸協議接入阿里云物聯網平臺。當系統發出追尾預警時，自動將此時行程數據上報至阿里云物聯網平臺，當系統結束運行時，會通過smtplib庫，以QQ郵箱的方式給其家人發送駕駛員此次行程的安全情況。

3） 追尾風險判斷器：由北斗GPS模塊、激光雷達測距模塊的數據得到車輛目前距離、速度、加速度，并根據攝像頭傳遞回來的前車類別以確定本次事故的危害性。該判斷器以距離因素判斷為主，以加速度、速度、事故危害性判斷為輔，對比各元素理想數據后計算出追尾風險值。當計算出來的結果大于所設定閾值，即激活語音播放模塊，發出追尾預警，并上傳相關行程數據至阿里云物聯網平臺。

2" 系統硬件設計

汽車防追尾預警系統的硬件部分主要包括英偉達Jetsonnano、激光雷達測距模塊、北斗GPS模塊、語音播報模塊、USB雙頻網卡以及USB攝像頭模塊。其中Jetsonnano為主控板，對所采集的數據進行處理計算，判斷當前車輛的追尾風險，并控制整個系統的運作。

在汽車防追尾預警系統中，由于英偉達Jetsonnano需要輸出5 V 4 A的DC電源進行供電才能確保其正常工作，但經過實際測試可知，當接入元器件時，Jetsonnano實際輸出電壓僅為1.6～1.7 V，故采取了一個三極管升壓電路，如圖2所示。當輸入電路的電壓為1.6 V時，三極管處于導通狀態。由于三極管集電極接了5 V電壓，所以三極管導通后，電阻和三極管分壓，集電極端的輸出電壓為主控板所能控制元器件的3.3 V電壓。

本文系統的電源設計圖如圖3所示。

除了需要引腳高低電平控制的語音播放模塊外，其余模塊均由主板板載電壓進行供電。

3" 系統軟件設計

3.1" 系統軟件設計

基于深度學習的汽車防追尾預警系統軟件設計框架如圖4所示。

整個軟件系統分為三個部分：YOLOv5模型訓練、防追尾判斷系統、物聯網統計系統。輕量化的網絡模型能夠保證防追尾系統運行時快速識別與準確判斷；追尾判斷系統能夠通過攝像頭所采集的圖像數據進行目標檢測，并結合各模塊數據計算此時車輛的追尾風險。

3.2" 網絡模型訓練

在防追尾判斷上，系統需要得到前方車輛的準確信息。一般為了達到準確的目的，會提高訓練集與驗證集的數量，但這種方法會增加過多的時間成本，故在模型訓練的過程中引入CA注意力機制[2]與PID優化器，以提高訓練出來模型的精度。其中CA能充分利用通道注意力信息和空間注意力信息，有效提升網絡模型的識別性能[3]；而PID優化器采用PID控制器進行控制，利用現在、過去和未來預測誤差并更新參數，在很大程度上減輕了超調問題，也比SGD?M優化器在DNN訓練過程中速度更快[4?5]。在加入CA注意力機制與PID優化器后，模型的準確率P提高了8.9%，mAP提高了3.8%，對比結果如圖5所示。

同時主流的深度學習網絡存在模型尺寸較大以致于嵌入式系統難以支撐其運行的問題，因而在模型訓練過程中加入YOLOv5剪枝算法[6]，通過對模型進行稀疏訓練、剪枝與微調后得出輕量化的模型，達到在精確度損失較小的情況下減小模型大小，并加快運行速度的效果[7?8]。在加入剪枝算法后，模型體積由14.071 KB下降至5.627 KB，減少了60%，結果如圖6所示。

3.3" 追尾判斷系統

傳統的防追尾預警系統往往用單一的視覺或距離來判斷是否有追尾的風險，這種方法局限性較大，容易被其他因素所干擾。故本文將追尾風險影響因素主要劃分為距離、速度、加速度、事故危害性四部分，通過獨立計算的形式來減小外界對系統判斷的影響。

本文系統的思路仍以兩車之間的距離判斷為主，并根據當前速度、加速度對比理想距離公式[v2-v20=2ax]所推出的理想速度和理想加速度來判斷當前車輛運動時各因素的風險值，最終結合攝像頭所判斷到的目標信息（事故危害性）計算出當前車輛的追尾風險值。追尾判斷流程如圖7所示。

3.4" 物聯網統計系統

當系統發出追尾預警時，考慮到傳統汽車防追尾（碰撞）預警系統僅能對駕駛員進行臨時預警，而無法有效加強駕駛員行車安全意識，故本文方案采用MQTT數據傳輸協議[9?10]，將產品接入阿里云物聯網平臺，當系統預警時會將當前車輛行駛信息上傳至阿里云物聯網平臺，同時系統記錄駕駛員預警次數，并在預警次數與時間比例大于一定值或系統關閉時，匯總行程期間駕駛員的安全情況，通過smtplib模塊[11]以QQ郵箱的方式發送給其綁定的家人或朋友。阿里云物聯網平臺統計的數據（理想速度）如圖8所示。

4" 結果與分析

4.1" 目標檢測結果

利用USB攝像頭采集圖像信息，在TensorRT的環境里通過OpenCV[12]顯示攝像頭畫面，并利用YOLOv5算法對前方車輛進行目標檢測，識別到車輛信息后結合識別框的坐標信息判斷是否為攝像頭正前方，如是則傳入追尾判斷系統進行追尾風險計算。圖9所示為可視化窗口中顯示的圖像與信息。

4.2" TensorRT部署加速結果

在對網絡訓練模型進行優化后，團隊利用NVIDIA的加速引擎TensorRT對網絡結構進行重構和優化，提高GPU運行效率，并在嵌入式平臺上實現模型的推理與加速[13?14]。經測試，在TensorRT實際部署時的FPS達到了13～14 f/s，結果如圖10所示。

4.3" 防追尾預警系統實際運行結果

防追尾預警系統在實際測試過程中，受目前條件限制，采用電動車進行不同類型車輛之間的模擬測試。模擬車輛追尾事故數據如表1所示。

經過測試可以觀察到：當事故危害性相同的汽車在面對相同的電動車時，在加速的情況下更容易觸發預警；而平緩速度的情況下，由于加速度減小、速度降低，在距離大致相同的情況下未觸發預警。可見加速度作為因素融入汽車追尾事故的判斷上，可以對車輛運動趨勢有一個判斷并提前預警，以避免追尾事故的發生。而自定車輛為汽車和貨車時，當距離大致為3.5 m且同樣為加速狀態時，貨車在12.79 km/h的速度下觸發了預警，而汽車在16.37 km/h才觸發預警，原因是攝像頭在檢測對方車輛信息后，會判斷當事故發生時所造成的危害性。相比汽車而言，在相同情況下貨車危害性較大，故會適當增大追尾風險。綜上可知，當情況大致相同時，系統會判斷此時事故的危害程度，從而對危害性高的對象進行加權，以更好地避免追尾事故的發生。

4.4" 實驗結果與分析

將攝像頭與激光雷達測距模塊擺放至車輛前方，汽車防追尾系統實現對前方車輛類型信息與距離信息的采集。再利用北斗GPS模塊，其需在室外露天場所，定位精度小于2.5 m，測速精度小于0.1 m/s。雙頻網卡建立與阿里云物聯網平臺的連接，數據傳輸及時。所訓練的網絡模型經過優化后，在精度與準確率上有所提升；系統部署在TensorRT之后，其運行速度也有明顯的提升。防追尾判斷以攝像頭檢測目標與距離判斷為主，輔以GPS提供的速度、加速度信息，能夠在相同情況下靈活調節不同類型車輛之間的追尾風險值，使其判斷更為真實、準確；同時物聯網平臺所統計的數據也能讓家人關注駕駛員行程安全，共同督促駕駛員安全駕駛。

5" 結" 語

本文對基于深度學習的汽車防追尾預警系統進行設計，從理論分析到硬件設計、軟件編寫，最終做出實物。通過對算法、軟件的使用與實際分析，證明了它們對于網絡模型的訓練和系統加速運行上有一定的提升與優化，也證明了所設計系統對汽車追尾事故判斷是有所幫助的。在追尾風險檢測與計算處理方面，本文所提及的方法還需要進一步優化，以達到更為準確的判斷效果。

參考文獻

[1] 白中浩，馬偉杰，曹立波，等.乘用車?貨車追尾碰撞事故分析及其試驗與仿真研究[J].中國機械工程，2010，21（14）：1742?1747.

[2] HOU Qibin， ZHOU Daquan， FENG Jiashi. Coordinate attention for efficient mobile network design [C]// 2021 IEEE/CVF Conference on Computer Vision and Pattern Recognition （CVPR）. Nashville： IEEE， 2021： 13713?13722.

[3] 馬宏興，董凱兵，王英菲，等.基于改進YOLOv5s的輕量化植物識別模型研究[J].農業機械學報，2023，54（8）：267?276.

[4] WANG Haoqian， LUO Yi， AN Wangpeng， et al. PID controller?based stochastic optimizationacceleration for deep neural networks [J]. IEEE transactions on neural networks and learning systems， 2022， 31（12）： 5079?5091.

[5] IM D J， TAO M， BRANSON K. An empirical analysis of the optimization of deep network loss surfaces [EB/OL]. [2024?01?21]. https：//arxiv.org/pdf/1612.04010.

[6] 許興時，王云飛，華志新，等.融合YOLOv5s與通道剪枝算法的奶牛輕量化個體識別方法（英文）[J].農業工程學報，2023，39（15）：152?162.

[7] MOLCHANOV P， TYREE S， KARRAS T， et al. Pruning convolutional neural networks for resource efficient transfer learning [EB/OL]. [2023?11?17]. https：//arxiv.org/pdf/1611.06440.

[8] ANWAR S， HWANG K， SUNG W. Structured pruning of deep convolutional neural networks [J]. ACM journal on emerging technologies in computing systems， 2017， 13（3）： 1?18.

[9] 徐世翔，曹原.基于MQTT協議的阿里云IoT平臺遠程電壓采集系統設計[J].物聯網技術，2023，13（1）：134?136.

[10] 陳路遙，林峰，郭清鋒.基于MQTT協議的智能家居數據傳輸系統[J].數字通信世界，2023（7）：52?54.

[11] 周洪斌，苗盼盼.基于Python的辦公自動化應用[J].現代計算機，2023，29（21）：114?117.

[12] 宋振南，姜麗梅，穆春志，等.基于OpenCV圖像識別的農業大棚消防滅火機器人[J].南方農機，2024，55（8）：134?137.

[13] 楊肖，袁銳波，李兆旭，等.改進YOLOv4的蠶豆苗檢測算法及TensorRT加速[J].重慶理工大學學報（自然科學），2023，37（3）：312?320.

[14] 李健源，柳春娜，盧曉春，等.基于改進YOLOv5s和TensorRT部署的魚道過魚監測[J].農業機械學報，2022，53（12）：314?322.