随着矿山智能化建设的快速发展，无人驾驶技术在矿区的应用也日益成熟，但由于露天矿区非结构化道路时常出现路面坑洼、塌陷、凹陷积水等负障碍，这些障碍特征与道路特征相似度较高，在无人矿卡行进的过程中很难发现，很容易导致重载矿卡的车身倾斜和颠簸，并给无人矿卡的生产运输带来极大安全隐患，因此亟待研究一种能对矿区负障碍进行准确、快速自动检测的新方法。 

国内外部分学者已对结构化道路和非结构化道路上的负障碍进行了一些研究。刘家银等提出一种基于多激光雷达与组合特征的方法,设计了一种具有互补能力的多激光雷达安装方式。其次,提出了基于幅向局部凸性和后沿壁局部密集特征的64线雷达负障碍物特征点对检测方法,以及基于径向距离跳变和后沿壁局部密集特征的32线雷达负障碍物特征点对检测方法。汪佩等提出一种基于单线激光雷达和单目视觉的负障碍检测算法，对检测到的负障碍区域在摄像机画面中进行跟踪,结合跟踪结果对负障碍区域做进一步判别。蔡云飞等把双多线激光雷达数据映射到多尺度栅格，统计栅格点云密度与相对高度等特征并标记，对其特征点进行聚类并过滤之后识别出负障碍。笔者对露天矿区道路负障碍特征进行深入分析，构建了基于机器视觉的轻量化目标检测模型，其召回率、平均精确度均值、检测精度均明显高于当时的主流网络。LI等通过自定义算式判断负障碍距离，将3D点云转变成二维高程栅格图像，基于图像滤波技术和点云去噪技术提出了一种基于高程栅格图像的几何特征估计方法，以此来判断负障碍信息。 

露天矿非结构化道路因重型卡车碾压容易出现路面下陷的情况。例如露天矿装载区，不停的改变道路结构使路面易出现坑洼，尤其是雨天过后，露天矿非结构化道路变的泥泞，在碾压过后的道路出现坑洞、水坑等负障碍易使卡车出现轮胎下陷，甚至出现翻车的可能性。笔者基于以上论文分析并结合露天矿非结构化道路特点，提出了一种基于改进YOLOv5(You Only Look Once v5)多特种融合的负障碍检测方法，使露天矿区非结构化道路负障碍检测更加高效、精准和智能。为了使负障碍检测模型更注重路面负障碍信息，笔者改进了原模型的特征提取模块，在每个特征提取模块后加入CBAM卷积注意力机制，提高网络对图像重要特征的提取。为了检测到更小更精细的负障碍，笔者修改FPN的连接方式，将池化金字塔修改为加权双向池化金字塔BiFPN(Bidirectional Feature Pyramid Network)，增加网络对小目标检测的能力。选择SGD为优化器，SIoU作为边界回归损失函数并且使用Kmeans++方法对笔者数据集进行聚类生成新的Anchor，通过动态的学习率防止模型拟合，提升算法准确度，使用遗传算法为数据找到更适配的超参数，最终实现对复杂环境下露天矿区道路负障碍的快速、精准和智能识别。