基于改进YOLOv5的割草机器人工作环境障碍物检测方法研究

摘要：

为实现割草机器人在计算资源有限的情况下快速、准确地定位并识别工作环境中的障碍物,提出一种基于滤波器剪枝的改进YOLOv5s深度学习模型的割草机器人工作环境下障碍物的检测方法.首先,将YOLOv5模型中的Bottleneck残差块改为分层残差结构,以更细粒度地表示多尺度特征,同时增加网络感受野;另外,在残差块尾部加入SE模块,用来对特征图重新标定;其次,对改进后的算法进行滤波器剪枝;最后,针对割草机器人工作环境中的常见障碍物建立相关数据集,并使用剪枝后改进YOLOv5s作为深度学习模型进行检测.试验结果表明:改进后的YOLOv5模型大小减少18.8％,mAP增加0.1％.对改进YOLOv5模型进行剪枝后,比原YOLOv5模型计算量降低36.6％,模型大小降低33.3％,推理速度减少1.9 ms.剪枝后本文模型的mAP值分别比YOLOv4,YOLOv4—tiny,YOLOv3,YOLOv3—tiny高1.3％,9.5％,5.8％,22.1％.

关键词：深度学习、割草机器人、目标检测、模型剪枝

所属期刊栏目：44

分类号：TP391.4(计算技术、计算机技术)

资助基金：国家自然科学基金51275223

在线出版日期：2023-04-04（万方平台首次上网日期，不代表论文的发表时间）

页数：共6页

页码：171-176