Face à la difficulté d'équilibrer précision et vitesse de détection dans les algorithmes actuels de détection des lignes de voie en application réelle, une nouvelle méthode de détection des lignes de voie basée sur une plateforme embarquée ARM est proposée. Tout d'abord, un réseau léger de segmentation sémantique a été conçu, optimisant la structure SegNet avec l'ajout d'une connexion sautée dans la première couche du réseau, et l'intégration d'un module d'attention sur les canaux tous les deux couches convolutionnelles, améliorant la vitesse tout en garantissant la précision. Ensuite, un modèle de suivi des lignes de voie basé sur un filtre de Kalman a été construit pour améliorer la robustesse de la détection dans le flux vidéo. Puis, le codeur a été reconstruit pour alléger le modèle, remplaçant les convolutions traditionnelles par des convolutions séparables en profondeur afin de réduire le coût de calcul et augmenter la vitesse. Enfin, l'inférence a été accélérée via TensorRT pour générer un modèle Trt, facilitant son déploiement sur la plateforme ARM embarquée pour une détection en temps réel. Les résultats expérimentaux sur un jeu de données étendu Tusimple, créé manuellement, montrent que l'algorithme proposé peut gérer divers scénarios de trafic complexes avec une précision de détection de 98,03%, surpassant d'autres algorithmes, et une vitesse de détection de 50 FPS, répondant aux exigences temps réel. Cet algorithme présente une robustesse élevée et de bonnes performances en temps réel dans des scénarios de trafic complexes, avec une certaine valeur théorique et pratique.

Détection des lignes de voie;segmentation sémantique;convolution séparables en profondeur;accélération TensorRT;plateforme embarquée ARM