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。