基于YOLOv5s-seg的非结构化枣园视觉导航路径提取

摘要

[目的]针对目前农业机器人在非结构化枣园中传统机器视觉算法难以处理光影变化、夜间难以识别等问题导致的导航道路分割不准确，实时性及复杂模型难以部署等问题，本研究提出基于YOLOv5s-seg改进网络模型视觉导航路径识别方法——YOLOv5s-orchard模型。[方法]模型采用FasterNet代替YOLOv5s-seg的原有主干网络，减少了模型的参数量和内存占用量；在特征提取层及neck部分引入SE注意力机制，提高了模型的特征提取能力；将C3替换成C3Ghost轻量级网络以进一步减少模型的参数量和内存占用量。[结果]改进后的网络mAP达到91.59%,FLOP下降到11.30 G,模型大小为2.91 MB。对分割后的图像采用最小二乘法拟合道路离散点提取导航线，算法平均距离偏差为1.99 cm,平均距离误差比例为0.68%。[结论]YOLOv5s-orchard网络具有较高的精度，导航线提取误差较小，能够满足枣园道路分割的需求。

关键词

农业机器人 / 枣园 / 视觉导航 / 图像分割 / 导航路径识别 / YOLOv5s-orchard