控制与决策

作者：缪燕子,张宗伟,王贺升,代伟,赵忠祥,王啸林,杨春雨,史延诺

单位：中国矿业大学 信息与控制工程学院,江苏 徐州 221000,,中国矿业大学 信息与控制工程学院,江苏 徐州 221000,,中国矿业大学 信息与控制工程学院,江苏 徐州 221000,,中国矿业大学 信息与控制工程学院,江苏 徐州 221000,,中国矿业大学 信息与控制工程学院,江苏 徐州 221000,,中国矿业大学 信息与控制工程学院,江苏 徐州 221000,,中国矿业大学 信息与控制工程学院,江苏 徐州 221000,,中国矿业大学 信息与控制工程学院,江苏 徐州 221000,

关键词：落叶检测;YOLOv3;小目标检测;上下文信息;注意力机制;Mish激活;非极大值融合

基金：国家自然科学基金项目(61976218)；徐州市重点科技项目(KC19072)；中央高校基本科研业务费专项资金项目(2020ZDPY0303)；江苏省研究生科技创新项目(KYCX21_2262,SJCX21_1034,SJCX21_0992).

随着城市绿化程度的不断提高,落叶清理任务变得更加复杂繁重.针对落叶形状多变、大小不一、背景复杂、分布不均的特点,提出一种融合Attention-Context(AC)网络和YOLOv3的落叶检测算法(AC-YOLO),解决现有模型对落叶漏检、误检的问题,实现快速、准确地识别检测路面落叶.针对小目标落叶易发生漏检的问题,提出AC网络结构,将不同层次的特征映射融合作为小目标的上下文信息,同时引入自注意力机制来抑制复杂背景和底层噪声带来的影响,提升小目标落叶检测能力;其次,采用Mish激活函数替换Leaky ReLU以提升模型的泛化能力,提高落叶检测准确度;最后,考虑到落叶堆叠情况对清理机器人的工作效率有影响,提出非极大值融合算法(non-maximum fusion,NMF)来融合密集落叶预测框,从而通过更少的导航点解决密集落叶的检测问题,同时提升落叶检测清理的效率.实验结果表明,基于AC-YOLO的检测算法对落叶检测的覆盖率(cover)达到95%,检测速度达到53帧/s,可以完成实际应用环境中的落叶检测任务,实现对落叶的高效率、智能化清理.

来源：2023年第7期

《控制与决策》期刊编辑部

查看控制与决策杂志2023年第7期