论文部分内容阅读
无人农业车辆的快速发展,大大提高了生产效率,同时降低了劳动强度,但是无人农业车辆也存在几个亟待解决的问题。首先,在复杂的农田环境中,无人农业车辆对环境的适应能力有限,其必须具备障碍物检测识别的能力。其次,无人农业车辆在作业过程中会遇到不同种类的田间障碍物,其必须具备自主避障的能力。因此目标检测和避障策略的研究对提高无人农业车辆的智能化和自动化程度有着重要的意义。针对无人农业车辆在作业过程中的障碍物检测识别和避障的问题,本文提出了基于VGG-16的Faster R-CNN算法,并改进了 Faster R-CNN算法的特征提取网络和候选区域网络;提出了以速度控制为核心的避障策略,并通过田间实验验证速度控制策略的可行性。本文的主要内容与工作有:（1）农田障碍物图像的采集与数据扩充。本文使用高清摄像机采集拖拉机、人、草堆、电线杆、树、房屋、水沟这7种农田障碍物,并通过暗化处理、高斯噪声处理、雾化处理的方式分别模拟光线阴暗、雨天、雾天三种特殊的天气,同时采用水平翻转的方式模拟不同的拍摄角度,利用这四种方式将采集到的图像集进行扩充,以达到丰富图像种类和避免过拟合的目的;使用LabelImage工具对所有图像中目标障碍物进行标注,并将训练集做成标准的PASCAL VOC2007格式数据集。（2）基于VGG-16的Faster R-CNN的农田障碍物检测。本文将不同的卷积神经网络的结构和特征提取的优缺点进行对比,选用VGG-16作为特征提取网络;通过测试集验证基于VGG-16的Faster R-CNN算法检测效果,并与基于ResNet-101的Fsater R-CNN算法进行对比。实验结果表明,基于VGG-16的Faster R-CNN模型的水沟的检测准确率最低为87.32%,拖拉机的检测准确率最高为92.28%,7种农田障碍物平均准确率为89.33%,单张图片检测时间为67ms;基于ResNet-101的Fsater R-CNN算法的平均准确率为87.01%,单张图片检测时间为111ms。同时对候选区域生成网络进行了测试,测试结果表明候选区域生成网络会生成大量的无效候选区域。（3）基于改进的Faster R-CNN的农田障碍物检测。本文分别阐述了双路提取特征算法和候选区域优化网络的结构以及训练方法,其中重点介绍了 OHEM优化训练,并通过实验测试了改进后的Faster R-CNN算法检测准确率和检测时间。实验结果表明,双路提取特征算法的准确率比改进前的特征提取网络提高了 2.86%,使用OHEM优化训练提高了平均检测准确率,候选区域优化算法可以过滤无效的候选区域从而减少了分类回归网络的计算量。此外,仅使用候选区域优化网络算法检测单张图片的总消耗时间为61ms,比改进前减少了 6ms,使用双路提取和候选区域优化网络算法检测单张图片的总消耗时间为86ms。（4）无人农业车辆速度控制策略。本文提出一种以速度控制为核心避障策略,利用改进之后的时空障碍物栅格图实现动态环境中车辆的碰撞预测,通过云模型将人类经验、知识和判断结合到速度云推理规则中,以障碍物的距离和危险度为输入,速度控制结果为输出,通过农田实验来验证速度控制策略的可行性。实验结果表明,当无人农业车辆与障碍物的距离超过30m时,云速度推理器不会被激活。当距离小于30m时,随着无人农业车辆与障碍物的距离不断减小,无人农业车辆的速度逐渐降低。当障碍物与无人农业车辆之间的距离小于设定的安全距离（1m）,无人农业车辆立即停止。