為實現(xiàn)農(nóng)機自主作業(yè)中的避障需求,本文針對室外田間自然場景中因植被遮擋、背景干擾而導(dǎo)致障礙物難以檢測的問題,基于嵌入式平臺應(yīng)用設(shè)備,提出了農(nóng)機田間作業(yè)時行人和農(nóng)機障礙物檢測的改進模型,更好地平衡了模型的檢測速度與檢測精度。該改進模型以You only look once version 3-tiny（YOLOv3-tiny）為基礎(chǔ)框架,融合其淺層特征與第2 YOLO預(yù)測層特征作為第3預(yù)測層,通過更小的預(yù)選框增加小目標(biāo)表征能力;在網(wǎng)絡(luò)關(guān)鍵位置的特征圖中混合使用注意力機制中的擠壓激勵注意模塊（Squeeze and excitation attention module,SEAM）與卷積塊注意模塊（Convolutional block attention module,CBAM）,通過強化檢測目標(biāo)關(guān)注以提高抗背景干擾能力。建立了室外環(huán)境下含農(nóng)機與行人的共9 405幅圖像的原始數(shù)據(jù)集。其中訓(xùn)練集7 054幅,測試集2 351幅。測試表明本文模型的內(nèi)存約為YOLOv3與單次多重檢測器（Single shot multibox detector,SSD）模型內(nèi)存的1/3和2/3;與YOLOv3-... 

【文章來源】：農(nóng)業(yè)機械學(xué)報. 2020,51(S1)北大核心EICSCD

【文章頁數(shù)】：9 頁

【部分圖文】：

YOLOv3? tiny的漏檢現(xiàn)象

不同于常規(guī)YOLOv3應(yīng)用中需用比較深的網(wǎng)絡(luò)來擬合幾十甚至上百個目標(biāo)，本文檢測任務(wù)只包含行人和農(nóng)機兩類障礙物，YOLOv3 tiny中殘差模塊的缺位與大量卷積層的減少并不會對本文檢測任務(wù)的檢測準(zhǔn)確率有顯著影響。但為了克服YOLOv3tiny中淺層低維特征在網(wǎng)絡(luò)深層丟失并因此產(chǎn)生的漏檢，本文構(gòu)建融合淺層信息的YOLO預(yù)測層y3。如圖2所示，將YOLOv3 tiny的淺層網(wǎng)絡(luò)與y2預(yù)測層之前的拼接層進行融合構(gòu)建一個新的尺寸為52×52的y3預(yù)測層。y3預(yù)測層的特征信息來自淺層信息與y2結(jié)構(gòu)路線拼接前的特征圖。融合了淺層特征圖的y3包含了更多的圖像低維特征信息。如圖3所示，y1小尺度YOLO層13×13的每個網(wǎng)格生成的預(yù)測框比較大，y2其次，而遠距離行人、農(nóng)機，需要更小的預(yù)測框在y3預(yù)測層預(yù)測。在本文構(gòu)建的預(yù)測層y3中，輸入原圖像被劃分為52×52個網(wǎng)格，每個網(wǎng)格與y3預(yù)測層的每個通道一一對應(yīng)。每個網(wǎng)格根據(jù)對應(yīng)通道信息生成3個尺寸預(yù)先設(shè)置好的預(yù)選框，在訓(xùn)練時不斷調(diào)整大小并優(yōu)選出合適的預(yù)選框作為輸出結(jié)果[12]。各個預(yù)測層通道包含了每個網(wǎng)格最終的預(yù)測參數(shù)。如圖3中以y1預(yù)測層為例，每個通道分別由預(yù)測框中心坐標(biāo)(tx,ty)、預(yù)測框長寬尺寸(tw,th)、預(yù)選框的預(yù)測置信度p0、農(nóng)機的預(yù)測得分s1和行人的預(yù)測得分s2組成。每個網(wǎng)格生成3個預(yù)選框，每個預(yù)選框包含以上7個參數(shù)，故y1、y2、y3預(yù)測層預(yù)測輸出通道維數(shù)均為21。

如圖3所示，y1小尺度YOLO層13×13的每個網(wǎng)格生成的預(yù)測框比較大，y2其次，而遠距離行人、農(nóng)機，需要更小的預(yù)測框在y3預(yù)測層預(yù)測。在本文構(gòu)建的預(yù)測層y3中，輸入原圖像被劃分為52×52個網(wǎng)格，每個網(wǎng)格與y3預(yù)測層的每個通道一一對應(yīng)。每個網(wǎng)格根據(jù)對應(yīng)通道信息生成3個尺寸預(yù)先設(shè)置好的預(yù)選框，在訓(xùn)練時不斷調(diào)整大小并優(yōu)選出合適的預(yù)選框作為輸出結(jié)果[12]。各個預(yù)測層通道包含了每個網(wǎng)格最終的預(yù)測參數(shù)。如圖3中以y1預(yù)測層為例，每個通道分別由預(yù)測框中心坐標(biāo)(tx,ty)、預(yù)測框長寬尺寸(tw,th)、預(yù)選框的預(yù)測置信度p0、農(nóng)機的預(yù)測得分s1和行人的預(yù)測得分s2組成。每個網(wǎng)格生成3個預(yù)選框，每個預(yù)選框包含以上7個參數(shù)，故y1、y2、y3預(yù)測層預(yù)測輸出通道維數(shù)均為21。1.3 先空間后通道的混合注意力機制

【參考文獻】：
期刊論文
[1]基于毫米波雷達的植保無人機避障系統(tǒng)研究[J]. 孫柯,吳開華,王亞濤,邵振程.  傳感器與微系統(tǒng). 2020(06)
[2]自然場景下的挖掘機實時監(jiān)測方法[J]. 毛亮,薛月菊,朱婷婷,魏穎慧,何俊樂,朱勛沐.  農(nóng)業(yè)工程學(xué)報. 2020(09)
[3]基于改進型YOLO的復(fù)雜環(huán)境下番茄果實快速識別方法[J]. 劉芳,劉玉坤,林森,郭文忠,徐凡,張白.  農(nóng)業(yè)機械學(xué)報. 2020(06)
[4]Tiny YOLOV3目標(biāo)檢測改進[J]. 馬立,鞏笑天,歐陽航空.  光學(xué)精密工程. 2020(04)
[5]基于毫米波雷達和攝像頭的農(nóng)用車輛障礙物檢測[J]. 宋正根,彭竟德,肖璨.  現(xiàn)代信息科技. 2019(14)
[6]基于激光雷達的農(nóng)田環(huán)境點云采集系統(tǒng)設(shè)計[J]. 季宇寒,徐弘禎,張漫,李世超,曹如月,李寒.  農(nóng)業(yè)機械學(xué)報. 2019(S1)
[7]基于增強Tiny YOLOV3算法的車輛實時檢測與跟蹤[J]. 劉軍,后士浩,張凱,張睿,胡超超.  農(nóng)業(yè)工程學(xué)報. 2019(08)
[8]水田田埂邊界支持向量機檢測方法[J]. 蔡道清,李彥明,覃程錦,劉成良.  農(nóng)業(yè)機械學(xué)報. 2019(06)
[9]基于改進SSD的果園行人實時檢測方法[J]. 劉慧,張禮帥,沈躍,張健,吳邊.  農(nóng)業(yè)機械學(xué)報. 2019(04)
[10]多類農(nóng)田障礙物卷積神經(jīng)網(wǎng)絡(luò)分類識別方法[J]. 薛金林,閆嘉,范博文.  農(nóng)業(yè)機械學(xué)報. 2018(S1)



本文編號：3509947