基于深度学习的模糊农田图像中障碍物检测技术

针对图像实时采集时,由于镜头缺陷、相机抖动、目标运动等原因造成的模糊图像输入,导致训练完成的深度学习模型检测准确率下降问题,本文提出一种基于改进Faster R-CNN和SSRN-DeblurNet的两阶段检测方法,用于农田环境模糊图像中的障碍物检测。第1阶段进行锐度评价和去模糊处理,利用简化尺度循环网络(Simplified scale recurrent networks,SSRNDeblurNet)对模糊农田图像进行去模糊。第2阶段进行障碍物检测,在原有的Faster R-CNN网络中添加了候选区域优化网络来提高区域候选网络中的目标区域质量。在自制的模糊数据集上,利用所提出的两阶段检测方法对8种农田障碍物进行检测。与原始Faster R-CNN相比,两阶段检测方法的平均精度均值(mAP)提高了12.32个百分点,单幅图像的平均检测时间为0.53 s。所提出的两阶段方法能有效减少模糊农田图像中障碍物的误检和漏检,满足拖拉机低速作业的实时检测需求。

遥操作拖拉机路感模拟系统设计与实验

为了使遥操作拖拉机驾驶员对路面信息有更直观的感受,在课题组前期设计的一套拖拉机遥操作系统的基础上设计了路感模拟系统。首先提出路感模拟系统的总体设计方案。然后分析拖拉机路感产生机理,并对遥操作拖拉机的转向执行机构以及控制器进行改造,设计出路感测试系统。最后根据所设计的路感测试系统,在草地、水泥地等路面上对遥操作拖拉机进行原地转向以及行驶转向时不同速度下的转向阻力矩测量,并且利用Logitech G29方向盘式操纵装置在草地和水泥路面展开路感的模拟实验。实验及测试结果表明,遥操作拖拉机在不同路面的转向阻力矩相差较大,但是总体变化趋势相同,一开始转向阻力矩随着方向盘转角的增大而增大并在方向盘转角处于100°~120°时开始回落,当方向盘转角处于200°左右时有小幅度的上升。通过方向盘式操纵装置对遥操作拖拉机路感展开模拟,各项评价指标得分均在6.3~8.5分之间,表明该方法模拟路感的可行性。