现代无人化作业智能割草机与传统割草机相比,具有作业效率高、安全性好、可靠性强等优点。但由于室外草坪环境复杂,比如存在人员和动物走动、树木遮挡等情况,造成了智能割草机在作业过程中出现安全性、实时性和误报频繁等方面的问题。因此,在保证多类障碍物检测效果的前提下,提高障碍物检测速度是智能割草机实现工程化应用及提升智能化水平的关键。同时,智能割草机由于避让可移动障碍物会出现草坪漏割的情况,需要在实现割草机的高效障碍物检测系统的基础上进行功能上的设计,保证割草区域的全面覆盖,最终实现提升割草机作业效率和割草面积全面覆盖的目的。本文依托校企合作项目―割草机器人草坪障碍物智能识别新技术研究‖,进行割草机移动端的障碍物检测系统的设计与实现,主要工作内容如下:针对复杂的草坪环境导致的障碍物检测效率低的问题,给出了一套搭载到割草机移动端的障碍物检测方案。首先选用检测效果较好、扩展能力较强的深度学习模型YOLOV3模型作为障碍物检测基础模型来识别草坪上常见的障碍物即人、狗、草坪标识牌,然后通过对模型的整合和在嵌入式端上的加速这两个步骤,实现模型前向推理速度的提升。通过将YOLOV2的特征提取网络darknet-19与YOLOV3的多级预测网络结构相结合,同时采用YOLOV3中使用的logsitic分类器,在保证模型检测效果满足项目需求的同时尽可能降低模型的复杂度,提升模型的运算速度;再使用TensorRt科学运算工具,在单精度模式下对组合后的模型进行处理,提升移植到NIVIDIA Jetson TX2上的压缩模型的前向推理速度,最终实现割草机移动端的障碍物检测。为解决草坪中可移动障碍物造成的智能割草机割草效率低和漏割等问题,给出了在割草机障碍物检测系统上集成提示行人离开工作区域功能和检测到可移动障碍物时记录割草机地理位置信息功能的方案。即使用ATGM336H-5N多模定位模块和Arduino传感器对卫星信号进行解析,将数据传输到NIVIDIA Jetson TX2控制中心模块上,实现割草机地理位置信息的获取,并通过对软件及硬件两个方面的集成,最终实现了提示行人离开工作区域、记录割草机地理位置信息的功能,从而达到减少割草机避让动态障碍物的次数、防止草坪漏割等目的,填补了割草机障碍物检测系统的空白。本文通过制作割草机障碍物数据集、压缩并训练深度学习目标检测模型、嵌入式端模型加速、GPS模块软硬件系统集成等过程,实现了集多类障碍物检测功能、行人提示以及记录割草机地理位置信息功能于一体的割草机障碍物检测系统,为智能化割草机的工程化应用打下了坚实的基础。