论文部分内容阅读
行人检测技术广泛应用在智能监控、智能机器人和无人驾驶等领域。随着农业装备往智能化、无人化方向发展,行人检测技术为无人农机作业的障碍物检测、避障和路径规划提供技术支撑,以确保人身安全。本文将深度学习方法应用于行人检测算法,以期进一步运用于背景复杂、检测难度较大的果园环境等场景。本文主要工作如下:（1）针对果园环境中普遍存在的行人被果树遮挡、常处于运动状态和非标准姿态等影响算法检测性能的问题,对YOLOv3行人检测算法采取以下措施提高其检测性能:采用ASFF策略,通过学习不同特征图之间的联系来解决特征金字塔的不一致性问题,从而提高特征的尺度不变性,提高网络模型的检测精度;采用CIoU损失函数进行边界框回归来定位目标,加快网络模型收敛速度、提高目标定位准确性;采用DIoU NMS算法来改进NMS算法,DIoU NMS算法抑制准则兼顾预测框的重叠区域和两个框之间的中心点距离,能避免错误抑制果园环境中被遮挡的行人。使用NREC数据集进行实验,结果表明:改进后的算法,将YOLOv3的精确度提高了2.85个百分点、达到97.63%,召回率提高了3.02个百分点、达到93.17%,F1值提高了2.94个百分点、达到95.35%。（2）为了使SSD实时检测算法能运行在一些资源有限的嵌入式或移动端平台,用MobileNet V2替换SSD中基础网络VGG,以减少网络模型参数量,加快模型运行速度;将CBAM注意力模块添加到MobileNet V2的卷积模块中,改善网络模型的表达能力;使用深度可分离卷积替换CBAM的空间注意力模块中的标准卷积,减少网络模型参数量;用h-swish和h-sigmoid激活函数分别优化网络模型的ReLU和Sigmoid激活函数,使其能在资源有限的设备中更好地运行;优化网络结构,使网络模型能更好地运行;在网络模型训练过程中使用CutMix数据增强策略,充分利用训练数据集中各个图像信息,增强网络模型训练效果。使用NREC中苹果园数据集进行实验,结果表明:改进后的MobileNet V2-SSD算法,将SSD检测的精确度提高了2.04个百分点、达到98.31%,召回率提高了3.57个百分点、达到91.65%,F1值提高了2.87个百分点、达到94.86%,检测速度提高了59.8%,达到67.36FPS。