关键词:
移动机器人
目标检测
YOLO网络
SPP模块
NMS
摘要:
目标物体识别与定位技术是在输入图像或视频中识别出目标的种类以及确定其在图像或视频中的位置,进而对空间中目标物体进行定位的研究。目标物体识别与定位技术的研究核心是目标检测技术,基于移动机器人的目标物体定位是利用目标检测技术获得的图像位置,进而进行坐标变换至相应移动机器人需要的物体空间位置。近年来关于目标物体识别与定位方面的研究持续升温,各种应用实例也是层出不穷,比如农业果蔬检测、行人检测、无人机遥感监测等。本文对目前一些典型的目标检测算法进行综合评判,选择YOLOv4模型作为解决方案。同时为了解决YOLOv4模型在目标尺度变化较大情况下的检测精度问题,以及目前目标检测的NMS算法在目标重叠、遮挡情况下容易产生误抑制,造成漏检的问题,研究了一种基于YOLOv4模型的改进目标物体识别与定位方法,该方法提高了目标检测的精度,降低了检测框的误抑制。本文主要研究内容包括:1.针对深度学习算法进行系统性研究,结合移动机器人本身的应用条件,确定本课题适合的深度学习目标检测算法。在目标检测算法的模型部分,为了解决YOLOv4算法在目标尺度变化较大情况下的检测精度问题,本文在YOLOv4模型中新引入了一层SPP层,增大感受野范围,并对SPP层及其池化核的尺度进行了修改,目的在于提高模型在多个尺度上的信息融合能力,降低前馈神经网络在网络递进过程中的信息丢失,从而提高模型的检测精度。最后将改进模型在VOC公开数据集上进行了训练与测试,并利用改进模型在基于Jetson AGX Xavier计算平台的中科深谷移动机器人上进行了实际实物测试,验证本文改进模型的可行性。2.在目标检测的非极大值抑制(NMS)算法部分,为了解决目前的NMS算法在目标重叠、遮挡情况较多时容易产生误抑制造成漏检的问题,本文根据目标检测框所包含的信息以及实时性问题引入了曼哈顿距离这一考察量,提出一种改进的NMS算法,并在COCO数据集上对改进算法进行了测试,最后也在中科深谷移动机器人实物平台上进行了测试,验证算法的有效性和实时性。3.本文将改进方法在中科深谷移动机器人实物平台上进行了实际实验。并且根据机器人应用范畴,模拟农业机器人的水果检测环境,在室内进行了相应的算法实验,在移动机器人平台验证了方法的可行性与实时性。