基于机器视觉的中继器轻量化检测方法

Remotely Operated Vehicle(ROV)以其灵活易操控的特点被广泛应用于水下搜救以及渔业养殖等领域。ROV执行完任务常通过中继器对其进行回收。针对浅水作业场景存在大量浮游生物,杂质以及不均匀的光照等不利因素影响ROV回收时中继器的精准检测以及安全回收时精准位姿估计对中继器检测提出的实时性要求,提出了一种基于机器视觉的实时轻量化检测方法 Ghost_V4-CBAM。YOLOv4是具有高精度、强鲁棒性的目标检测算法,但部署至嵌入式系统实时性较差。参考Ghostnet引入Ghost模块,以Ghost卷积替换原始YOLOv4算法终所有普通卷积,参数量及浮点数计算量分别减少了81.6%和89.4%。针对轻量化网络精度下降引入注意力机制使网络聚焦于检测中继器的重要特征,在YOLOv4的3个检测头前插入CBAM结构。参考DONN网络损失函数设计去除损失函数终分类损失,通过实验测试出最佳置信度损失与边界框定位损失权重比为1∶3,最终网络平均精度为80.94%,相较原始网络下降不到1%。在公开AUV回收坞站数据集-UDID以及基于虚幻引擎UE4.26自建中继器仿真数据集上验证了Ghost_V4-CBAM算法的性能。最后通过Nvidia Tensorrt加速推理框架生成加速后的engine文件,然后基于Deepstream部署至ROV嵌入式主板Jetson XAVIER NX主板,最终实现60FPS检测速度。