基于深度学习的智能割草机器人视觉模块研究

发布时间：2020-12-17 11:49

　　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... 

【文章来源】：哈尔滨工业大学黑龙江省 211工程院校 985工程院校

【文章页数】：70 页

【学位级别】：硕士

【部分图文】：

Matlab标定图

- 13 -b) 获取的相机参数图 2-2 DJI guidance 双目摄像头标定结果2.2.2 双目矫正以及立体匹配双目矫正的主要目的是将双目相机产生的左右视图的像素对应起来。两个图像都是二维的，进行暴力搜索匹配将会非常消耗计算资源，可利用极线约束将二维搜索变成一维搜索，可大大降低计算量。图 2-3 为双目矫正过后左右视

图 2-3 双目校正测试图图 2-4 利用 SGBM 算法生成的视差图立体匹配是基于立体视觉的障碍检测算法的关键步骤，其利用双目矫正过的左右视图生成视察图，也可进一步生成深度图。前面也介绍了立体匹配算法按照能量函数的优化方法不同可分为全局算法和局部算法。全局算法速度慢，精度高，局部算法速度块但是准确率低。本文所设计的算法需要兼顾准确性和速度，这里采用了 SGBM 算法也称半全局算法[37]。图 2-4 为使用 SGBM 算法生成的视差图，可以看出在割草机器人工作场景，使用 SGBM 算法进行立体匹配有较好的效果。

【参考文献】：
期刊论文
[1]基于双重金字塔网络的视频目标分割方法[J]. 姜斯浩,宋慧慧,张开华,汤润发.  计算机应用. 2019(08)
[2]基于非极大值抑制的圆目标亚像素中心定位[J]. 王静,王海亮,向茂生,韦立登,刘忠胜.  仪器仪表学报. 2012(07)
[3]一种密集采样数据用特征点表示的处理方法及应用研究[J]. 周利民,惠延波,郭九生,卢秉恒.  计量学报. 1997(04)



本文编号：2921989