Redes de detecção de objetos baseadas em aprendizado profundo ainda apresentam problemas na área de reconhecimento de linhas de faixa, como distinção pouco clara das faixas, baixa precisão de reconhecimento, alta taxa de falsos positivos e falsos negativos. Para resolver esses problemas, foi proposta uma rede leve de detecção e acompanhamento de faixas baseada em segmentação espacial de instâncias. Este método utiliza a rede VGG16 e uma rede neural convolucional espacial na parte de codificação para melhorar a capacidade da estrutura da rede de aprender relações espaciais, resolvendo problemas como previsões borradas e descontínuas das linhas de faixa; baseado no LaneNet, as duas tarefas de ramo após a codificação são acopladas para melhorar o efeito de reconhecimento do primeiro plano e fundo e a pouca distinção entre as faixas. Finalmente, este método foi comparado com outros cinco algoritmos de detecção de linhas de faixa baseados em segmentação semântica no conjunto de dados TuSimple. Os experimentos mostram que o algoritmo deste trabalho alcançou uma pontuação de precisão de 97,12%, com taxa de falsos positivos e falsos negativos melhor do que outras redes, e que essas taxas foram reduzidas em 44,87% e 12,7%, respectivamente, em comparação com o LaneNet, atendendo basicamente aos requisitos para detecção e acompanhamento de linhas de faixa em tempo real.

visão computacional; segmentação semântica; detecção e acompanhamento de linhas de faixa; redes neurais convolucionais leves; redes neurais convolucionais espaciais