用于草坪场景理解的轻量化图像分割算法

为提高割草机器人作业过程中视觉感知模块的识别准确率,提出了使用图像分割算法进行草坪场景的理解识别。图像分割算法的计算量非常大,运行时依赖高性能的GPU,而割草机器人的硬件条件较差,因此设计了一种兼顾分割准确率和运行速度的轻量化深度卷积神经网络。网络采用编码-解码的结构,在编码网络部分,采用轻量化的特征提取模型,将深度可分离卷积的思想融入特征提取模型中,代替传统的卷积方式;在解码网络部分,基于RefineNet模块减少参数量,融合编码器的高分辨率特征和低分辨率特征。使用PASAL VOC2012分割数据集进行预训练,构建草坪场景数据集进行微调和测试评估。结果表明:提出的算法结构在保持较高准确率的前提下,网络的参数量有大幅度的减少,运行速率有大幅度提高,在机器人草坪场理解任务上有更好的综合性能。

基于ResNet-50改进的Faster R-CNN手势识别算法

为了解决不同识别环境下光照强度的变化对手势识别准确率影响的问题,提出了基于ResNet-50残差网络的改进Faster R-CNN手势识别算法。相较于普通的Faster R-CNN算法,该算法用了ResNet-50网络,提高网络特征的学习能力,并在ResNet-50中加入了实例批处理标准化(IBN)方法用于对单个图片的表征内容学习,适应不同的识别环境。实验结果表明,该算法在测试集上的识别率高达98.7%,相较于常用手势识别算法,有效性更高,鲁棒性更好。