摘要
为增加垃圾拾取机器人的自主感知能力,提出了一种用于垃圾跟踪视觉系统的基于YOLOV4改进的轻量级目标检测算法YOLO-TrashNet。针对视觉跟踪系统速度与精度权衡问题,在YOLOV4的基础上将主干网络替换为MobileNetV3,分析了SE(Squeeze-and-Excitation)注意力机制、CBAM(Convolutional Block Attention Module)注意力机制以及CSP跨级局部网络结构对算法性能带来的影响。搭建了垃圾回收机器人视觉系统,使用了能提高目标定位能力Realsense深度相机,采集了公共场所最常见的15类垃圾,完成了室内垃圾跟踪实验。实验结果表明,提出的以CSPMobileNetV3-CBAM为主干网络的模型能大幅提升检测速度,与YOLO-V4相比计算量降低了93.3%,权重大小仅为19.5 MB,内存消耗低于YOLOV4-tiny;在Jetson Nano运行环境上相比YOLO-V4的垃圾检测牺牲了4%的精度,但是速度提升了6倍,mAP为86.3%。
- 出版日期2021
- 单位华东理工大学