论文部分内容阅读
智慧农业是未来农业发展的方向,农业机械在人工智能的驱动下向智慧农机发展,是传统农业向智慧农业全面转型的关键环节。近年来,无人农机有助于解放劳动力,提高劳动效率,得到了快速的发展。在无人农机的安全作业中,障碍物检测是必不可少的关键技术之一,其中行人检测又是障碍物检测的重中之重。传统的目标检测算法查准率与查全率低,模型复杂,检测速度慢。近年来,深度学习算法有了长足的发展,其中YOLOv3算法是行人检测领域最先进的算法之一。本文基于YOLOv3算法,对如何实现精准且快速地果园环境下行人检测展开深入研究。主要研究内容如下:(1)阐述了传统目标检测算法和深度学习目标检测算法及原理。详尽介绍了深度学习YOLO系列算法YOLOv1、YOLOv2和YOLOv3,并且将YOLOv3算法与其他主流算法比较,阐明了YOLOv3算法精度与速度等性能的优越性,为本文选取YOLOv3作为行人检测深度学习基础算法提供了理论依据。(2)针对果园环境的特点,提出了改进的YOLOv3行人障碍物检测算法。首先,将YOLOv3骨干网络Darknet53更换为ResNet50网络,针对不同环境与场景的特点ResNet系列网络更易扩展,并且ResNet50网络在速度与精度上更具有优势。然后,引入可变形卷积DCN v2替代ResNet50网络中stage5部分的3x3原始卷积,有利于精度与速度的平衡。最后,在FPN部分增加正则化技术DropBlock模块,提高了模型泛化能力。(3)实验验证了改进YOLOv3行人障碍物检测算法的性能。采用卡耐基梅隆大学国家机器人工程中心(National Robotics Engineering Center)的果园行人检测开放数据集,基于Tensorflow深度学习框架进行了改进前后的YOLOv3算法的对比实验,主要是对小目标、中目标、大目标以及无遮挡、少遮挡、多遮挡的不同果园间行人进行对比实验。通过实验数据分析,改进后的YOLOv3果园行人检测模型平均查准率和查全率达到了96.21%和91.12%,并且检测速度提高了3倍,达到检测速度为52.3帧/秒,模型参数量降低了四倍,本方法拥有较好的实时性和泛化能力,模型具有较好的鲁棒性,能够满足无人农机在果园中行人的实时检测要求。