基于改进DeepLabv3+的火龙果园视觉导航路径识别方法

摘要：

针对视觉导航系统应用在火龙果园环境中面临干扰因素多、图像背景复杂、复杂模型难以部署等问题,本文提出了一种基于改进DeepLabv3+网络的火龙果园视觉导航路径识别方法.首先,采用MobileNetV2取代传统DeepLabv3+的主干特征提取网络Xception,并将空间金字塔池化模块(Atrous spatial pyramid pooling,ASPP)中的空洞卷积替换成深度可分离卷积(Depthwise separable convolution,DSC),在提升模型检测速率的同时大幅减少了模型的参数量和内存占用量;其次,在特征提取模块处引入坐标注意力机制(Coordinate attention,CA),增强了模型的特征提取能力;最后,通过设计的导航路径提取算法对网络模型分割出的道路掩码区域拟合出导航路径.实验结果表明:改进后的DeepLabv3+的平均交并比和平均像素准确率分别达到95.80％和97.86％,相较原模型分别提升0.79、0.41个百分点.同时,模型内存占用量只有15.0 MB,和原模型相比降低97.00％,与Pspnet和U-net模型相比则分别降低91.57％、91.02％.另外,导航路径识别精度测试结果表明平均像素误差为22像素、平均距离误差7.58 cm.已知所在果园道路宽度为3 m,平均距离误差占比为2.53％.因此,本文研究方法可为解决火龙果园视觉导航任务提供有效参考.

关键词：火龙果园、导航路径识别、视觉导航、语义分割、坐标注意力机制、深度可分离卷积

所属期刊栏目：54

分类号：TP242.6(自动化技术及设备)

资助基金：国家重点研发计划2017YFD0700602

在线出版日期：2023-10-10（万方平台首次上网日期，不代表论文的发表时间）

页数：共9页

页码：35-43