论文部分内容阅读
智能割草机器人可以自主地完成割草任务,减少了很多不必要的劳动,因而越来越多人开始进行相关研究。当前国内外主流的智能割草机器人方案针对的是简单环境的中小型草坪。视觉模块是智能割草机器人的重要组成部分,本论文尝试研究一种面向环境复杂的中大型草坪的智能割草机器人视觉模块,该模块具有识别与定位障碍物的功能。针对多个障碍物在摄像头视图中有重叠不能进行区分的问题,提出了一种多层次障碍物提取算法,有效的降低了处理重叠问题时的误判问题,也有效解决了漏检率高的问题;针对智能割草机器人工作场景,设计了一种简单高效的场景建模方法,该方法忽略了图像畸变以及立体匹配等过程的误差,减少了计算量并满足割草机器人的精度要求。设计了基于深度学习智能割草机器人障碍识别算法的网络结构,采用多尺度特征图用于预测,针对智能割草机器人工作场景,采用等距密集排布的特征图,提高了检测准确率;设计了深度学习障碍物识别算法的损失函数,采用softmax loss表示类别置信度误差;设计了多层次定位候选框,该候选框利用多层次障碍物提取算法提供的信息使得智能割草机器人具有定位障碍物的功能,并建立了障碍物边界框到世界坐标系的映射关系。制作了针对智能割草机器人工作场景的PASCAL VOC格式数据集,使用了数据增强处理,增加了样本数量;分析了常见的算法评价指标,选择准确率作为智能割草机器人障碍物识别算法的评价指标;制定了高效的训练策略,在训练初始阶段采用梯度下降法作为训练策略,之后采用批量随机梯度下降法,既降低了深度学习模型不收敛的概率,同时又保证了训练速度。搭建了智能割草机器人硬件平台,并针对割草机器人工作场景进行了参数调整以及现场调试;以准确率和召回率为评价指标,对智能割草机器人视觉模块的障碍物识别准确性进行了测试,召回率达到了99.03%,综合准确率达到了96.59%;以最大测距范围、测离精度、障碍尺寸测量精度为评价指标,对本文视觉模块进行了障碍物定位精度测试,测距误差不超过10%,最远测距达到11.32 m,障碍物尺寸测量宽高误差均在30 cm以内。