面向智能变胞车的改进YOLOv5楼梯目标识别算法

针对智能变胞车在室内楼梯环境下自主攀爬过程中的楼梯识别问题,文章提出一种基于改进YOLOv5的楼梯识别算法。为满足算法模型的实时性要求,利用轻量级网络EfficientNetV2替换YOLOv5算法的主干网络;使用GSConv模块和VoV-GSCSP模块替换原颈部网络中的Conv模块和CSP模块,在增强目标特征响应的基础上进一步减少计算成本;为弥补算法模型简化带来的精度损失,在颈部网络上添加坐标注意力机制,通过强化目标关注以提升在复杂场景下的目标识别效果;最后将改进的算法模型应用于嵌入式平台进行实验检测。实验结果表明:改进后的算法模型平均检测精度为91.99%,模型大小仅为3.1 MB,相较于其他目标检测算法具有明显的优越性。文章所提算法能够有效地对楼梯进行实时、准确的检测识别,为后续变胞车自主越障奠定了一定的理论基础。

基于改进YOLOv5的室内楼梯检测方法研究

移动机器人视觉SLAM的楼梯建图过程需要对楼梯特征进行检测识别,传统的边缘检测、直线提取等楼梯检测技术往往视角较为理想、背景较为简单,无法实现栏杆遮挡、复杂背景下的楼梯特征提取;为了解决以上问题,提出了一种可用于移动机器人的改进YOLOv5的楼梯目标检测方法,在输入端引入FenceMask数据增强策略,增加对遮挡楼梯的训练样本数量;通道注意力模块CAM与空间注意力模块SAM采用并行连接的方式组成注意力模块CBAM,加强在复杂环境下对楼梯的特征提取能力;在预测端将NMS与WBF结合,将NMS筛选之后置信度较高且位置相邻的边框进行融合为新的边框,在满足精度要求的情况下改善了Faster-RCNN与SSD检测算法存在的单段多阶楼梯检测速度问题;仿真表明改进的YOLOv5s可以在模型大小18.4 MB的情况下达到82.9%的平均精度,改进的YOLOv5m在增大模型为45.5 MB的情况下平均精度提高为86.5%,均可有效识别栏杆遮挡、复杂背景以及单段长阶梯。