检索结果-南通市图书馆

基于改进YOLO v3-tiny的全景图像农田障碍物检测

同方期刊数据库博看期刊评论

在线全文

学校读者我要写书评

暂无评论

农业机械学报 2021年第S1期52卷 58-65页

作者：陈斌张漫徐弘祯李寒尹彦鑫中国农业大学现代精细农业系统集成研究教育部重点实验室北京100083 中国农业大学农业农村部农业信息获取技术重点实验室北京100083 国家农业智能装备工程技术研究中心北京100097

为实现自动导航农机的避障,解决搭载在农机顶部的全景相机获取其周围360°的图像信息并精确实时快速检测出障碍物的问题,提出了一种改进YOLO v3-tiny目标检测模型,实现了田间行人和其他农机的检测与识别。为了提高全景图像中小目标的检... 详细信息

为实现自动导航农机的避障,解决搭载在农机顶部的全景相机获取其周围360°的图像信息并精确实时快速检测出障碍物的问题,提出了一种改进YOLO v3-tiny目标检测模型,实现了田间行人和其他农机的检测与识别。为了提高全景图像中小目标的检测效果,以检测速度快、轻量级的网络模型YOLO v3-tiny为基础框架,通过融合浅层特征与第二YOLO预测层之前的拼接层作为第三预测层,增加小目标的检测效果;为了进一步增加网络模型对目标特征的提取能力,借鉴残差网络的思想,在YOLO v3-tiny主干网络上引入残差模块,增加网络深度和学习能力,从而能够较好地提高网络的检测能力。为了验证模型的性能,建立了农田环境下1100幅行人与农机两类障碍物图像原始数据集,经数据扩增后得到2200幅图像数据集,按8∶1∶1将数据集划分为训练集、验证集和测试集,在Pytorch 1.8深度学习框架下进行模型训练,模型训练完后用220幅测试集图像对不同模型进行测试。试验结果表明,基于改进YOLO v3-tiny的农田障碍物检测模型,平均准确率和召回率分别为95.5%和93.7%,相比于原网络模型,分别提高了5.6、5.2个百分点;单幅全景图像检测耗时为6.3 ms,视频流检测平均帧率为84.2 f/s,模型内存为64 MB。改进后的模型,在保证检测精度较高的同时,能够满足农机在运动状态下实时障碍物检测需求。

关键词：农田障碍物检测全景相机 YOLO v3-tiny 残差网络

基于无效目标滤除的毫米波雷达农田障碍物检测方法

同方期刊数据库评论

在线全文

学校读者我要写书评

暂无评论

农业机械学报 2023年第4期54卷 233-240页

作者：薛金林程峰汪冰清李雨晴马拯胞褚阳阳南京农业大学工学院南京210031 江苏省农机信息中心南京210017 江苏省农机具开发应用中心南京210017

农田障碍物检测是农机自动驾驶的前提,针对毫米波雷达的农田障碍物检测,本文提出一种无效目标滤除的算法。首先对毫米波雷达所输出的目标信息进行解析并提取农田目标障碍物信息,然后使用无效目标滤除算法对解析后的空目标、伪目标、非... 详细信息

农田障碍物检测是农机自动驾驶的前提,针对毫米波雷达的农田障碍物检测,本文提出一种无效目标滤除的算法。首先对毫米波雷达所输出的目标信息进行解析并提取农田目标障碍物信息,然后使用无效目标滤除算法对解析后的空目标、伪目标、非威胁数据进行滤除。对雷达数据中目标距离为零的空目标直接滤除;对因雷达工作性能或回波信号不稳定而产生的伪目标通过雷达有效目标生命周期法进行过滤;对超出横向距离阈值和纵向距离阈值的非威胁目标直接滤除。试验结果表明,所提算法在静止状态,平均滤除率达到85%以上。当速度为3 km/h时,未作业状态的平均滤除率为85.24%,旋耕为84.23%;当速度为5 km/h时,未作业为84.22%,旋耕为84.18%;当速度为7 km/h时,未作业为84.19%,旋耕为84.16%。尽管在行驶状态下,随着速度的提升或悬挂旋耕机,滤除率有一定的下降,但本文所提算法在各种状态下的平均滤除率均可达到84%以上。

关键词：农田障碍物检测毫米波雷达无效目标过滤多普勒效应

基于改进YOLOv5的田间复杂环境障碍物检测

同方期刊数据库博看期刊评论

在线全文

学校读者我要写书评

暂无评论

中国农机化学报 2024年第6期45卷 216-222,256,F0002页

作者：杨昊霖王其欢李华彪耿端阳武继达姚艳春山东理工大学农业工程与食品科学学院山东淄博255000

为实现田间复杂环境下农业机器人自主导航作业过程中障碍物快速检测,提出一种基于改进YOLOv5的田间复杂环境下障碍物检测方法。建立包含农业机械、人、羊三类目标障碍物共计6766张图片的农田障碍物数据集;通过k-means聚类算法生成最佳... 详细信息

为实现田间复杂环境下农业机器人自主导航作业过程中障碍物快速检测,提出一种基于改进YOLOv5的田间复杂环境下障碍物检测方法。建立包含农业机械、人、羊三类目标障碍物共计6766张图片的农田障碍物数据集;通过k-means聚类算法生成最佳先验锚框尺寸;引入CBAM卷积块注意力模块,抑制目标障碍物周围复杂环境的干扰,增强目标显著度;增加一个检测头,跨层级连接主干特征,增强多尺度特征表达能力,缓解标注对象尺度方差带来的负面影响;使用Ghost卷积替换Neck层中普通卷积,减少模型参数,降低模型复杂度。改进后的模型比YOLOv5s基准模型检测精度提高2.3%,召回率提高3.1%,精确率提高1.9%,参数量降低7%左右,为无人农业机械自主作业过程中导航避障的研究提供技术参考。

关键词：农业机器人农田障碍物检测改进YOLOv5 图像处理机器视觉

基于欧氏聚类的三维激光点云田间障碍物检测方法

同方期刊数据库博看期刊评论

在线全文

学校读者我要写书评

暂无评论

农业机械学报 2022年第1期53卷 23-32页

作者：尚业华张光强孟志军王昊苏春华宋正河中国农业大学工学院北京100083 北京市农林科学院智能装备技术研究中心北京100097 农业农村部农业机械化技术开发推广总站北京100122

为满足目前农业机械(简称农机)自动驾驶中农田障碍物检测的需求,提出了一种使用三维激光雷达检测田间障碍物的方法。该方法首先对采集的环境点云进行预处理,采用体素栅格下采样滤波,将稠密的点云在不损失特征信息的情况下进行减量;采用... 详细信息

为满足目前农业机械(简称农机)自动驾驶中农田障碍物检测的需求,提出了一种使用三维激光雷达检测田间障碍物的方法。该方法首先对采集的环境点云进行预处理,采用体素栅格下采样滤波,将稠密的点云在不损失特征信息的情况下进行减量;采用三维长方体对角点划定感兴趣区域以便快速计算;采用随机采样一致性(RANSAC)算法检测出农田地面点云,将地面点云与地面上障碍物点云进行分割。然后对地面上障碍物点云基于K维树(K-d tree)进行欧氏聚类,其中聚类的距离阈值为0.6 m。最后判断聚类的点数量和外接长方体体积,过滤掉点数和体积过大或过小的无效聚类从而得出障碍物。应用32线激光雷达在北京市小汤山国家精准农业示范基地采集田间环境点云,分别对田间机具、草堆、田埂、地头矮房、路边树木和田间行人进行检测,结果表明该方法对田间常见障碍物有较好的检测效果。考虑到人是田间行车安全的重要因素,在田间进行了行人横穿于雷达视野前方且与雷达距离分别为5、10、15、20、25、30 m时算法的检测效果试验,试验结果表明田间行人在30 m内平均检出率为96.11%。该方法可用于大田环境下障碍物的检测,为农机自主行走过程中的避障策略研究提供了基础。

关键词：农田障碍物检测三维激光雷达欧氏聚类随机采样一致性 K维树