改进的YOLACT算法在垃圾实时分类检测的技术研究

针对垃圾目标分类检测中物体重叠检测效果差的问题,文中设计一种改进YOLACT图像分割模型,并应用于垃圾实时检测中。根据COCO数据集制作适用于垃圾分类的数据集,通过YOLACT图像分割模型进行训练和评估监测,改进YOLACT的主干网络模块;使用Swish激活函数调整Resnet进入层模块和下采样模块以提升图像特征,同时改进YOLACT结构的检测模块;再使用Pointrend方法对检测出的分割结果与特征图像进行多层感知机(MLP)迭代融合,渲染深化边缘点特征,以融合得到的新掩码层取代原输出的掩码层。最后,进行改进YOLACT算法、SOLO算法、Mask-RCNN算法比较和消融实验。结果表明,改进YOLACT算法可提升精度、速度及垃圾图像分割的边缘效果,能够解决一部分垃圾重叠检测问题,在垃圾实时检测方面有较好的应用价值。

轻量级垃圾回收机器人的视觉跟踪系统研究

为增加垃圾拾取机器人的自主感知能力,提出了一种用于垃圾跟踪视觉系统的基于YOLOV4改进的轻量级目标检测算法YOLO-TrashNet。针对视觉跟踪系统速度与精度权衡问题,在YOLOV4的基础上将主干网络替换为MobileNetV3,分析了SE(Squeeze-and-Excitation)注意力机制、CBAM(Convolutional Block Attention Module)注意力机制以及CSP跨级局部网络结构对算法性能带来的影响。搭建了垃圾回收机器人视觉系统,使用了能提高目标定位能力Realsense深度相机,采集了公共场所最常见的15类垃圾,完成了室内垃圾跟踪实验。实验结果表明,提出的以CSPMobileNetV3-CBAM为主干网络的模型能大幅提升检测速度,与YOLO-V4相比计算量降低了93.3%,权重大小仅为19.5 MB,内存消耗低于YOLOV4-tiny;在Jetson Nano运行环境上相比YOLO-V4的垃圾检测牺牲了4%的精度,但是速度提升了6倍,mAP为86.3%。