文献类型： 中文期刊

作者： 陈斌 ¹ ; 张漫 ¹ ; 徐弘祯 ² ; 李寒 ² ; 尹彦鑫 ³ ;

作者机构： 1.中国农业大学

2.中国农业大学农业农村部农业信息获取技术重点实验室

3.国家农业智能装备工程技术研究中心

关键词： 农田障碍物检测;全景相机;YOLO v3-tiny;残差网络

期刊名称： 农业机械学报

ISSN： 1000-1298

年卷期： 2021 年 0S1 期

页码： 58-65

收录情况： EI ; 北大核心 ; CSCD

摘要： 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1 100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2 200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。