基于深度迁移学习和Hiking优化算法的视觉障碍辅助技术：高效目标检测模型研究

本研究针对视觉障碍人群的辅助需求，提出了一种结合深度迁移学习和Hiking优化算法（HOA）的目标检测模型EATBP-ODHOA。通过融合ResNet和DenseNet-201特征提取、双向门控循环单元（Bi-GRU）分类及自适应双边滤波（ABF）预处理，模型在室内目标检测数据集中达到99.25%的准确率，显著优于现有技术，为实时辅助设备提供了高效解决方案。

　　

研究背景与意义

视觉障碍对个体的认知和心理功能具有深远影响，全球约22亿人受此困扰。尽管现有技术聚焦于移动导航和基础目标检测，但美学体验和复杂场景适应性仍被忽视。传统辅助设备常因高成本、低实时性受限，而计算机视觉（CV）技术的进步为这一领域带来新机遇。目标检测作为CV核心任务，其性能直接决定辅助设备的实用性。然而，现有模型在动态环境、小目标检测及计算效率方面存在明显短板。

针对这些问题，沙特阿拉伯Prince Sattam bin Abdulaziz University等机构的研究团队在《Scientific Reports》发表论文，提出了一种名为EATBP-ODHOA的创新模型。该研究通过整合多模态深度学习和元启发式优化算法，实现了高精度实时目标检测，为视觉障碍者提供了更可靠的环境感知工具。

关键技术方法

研究采用自适应双边滤波（ABF）预处理图像，结合Faster R-CNN进行目标检测，融合ResNet-50和DenseNet-201提取多层次特征，并利用双向门控循环单元（Bi-GRU）捕捉时序依赖关系。模型参数通过Hiking优化算法（HOA）动态调整，在6,642张室内场景图像（含10类物体）中验证性能。

研究结果

图像预处理与目标检测

ABF技术有效平衡去噪与边缘保留，峰值信噪比提升15%。Faster R-CNN的区域提议网络（RPN）将检测速度提高至10.87秒/帧，较传统YOLOv5快2.4倍。

特征提取与分类

ResNet-50和DenseNet-201的融合特征使小目标（如"Pole"）检测召回率从24.14%提升至77.78%。Bi-GRU通过双向上下文建模，将分类F_Measure提高至93.57%。

优化与性能对比

HOA算法将模型收敛速度加快40%，准确率达99.25%，显著优于CTF-Net（98.81%）和DCASR（95.65%）。在70:30训练/测试集划分下，AUC分数达95.78%。

结论与展望

该研究通过ABF-HOA协同优化和跨架构特征融合，解决了视觉辅助技术中精度与实时性的矛盾。其创新性体现在：

1. 1.

   技术整合：首次将HOA用于CV模型调参，减少人工干预；

2. 2.

   场景适应性：在遮挡和光照变化条件下保持稳定性能；

3. 3.

   轻量化潜力：为嵌入式设备部署提供可能。

局限在于数据集仅覆盖室内场景，未来需扩展至户外环境并探索多模态反馈（如触觉提示）。这项工作为联合国可持续发展目标（SDG）中"减少不平等"条款提供了技术支撑，其开源代码和数据集（Kaggle公开）将加速相关研究进展。