基于特征递归融合YOLOv4网络模型的春见柑橘检测与计数

春见柑橘个体小、单株果树柑橘密集、柑橘之间的形态与颜色相似度高且易被树叶严重遮挡,这些特点给春见柑橘检测与计数带来了较大困难。该研究以实际春见果园环境中的春见柑橘作为检测与计数对象,提出了一种以春见柑橘为检测目标的基于特征递归融合YOLOv4网络模型(YOLOv4 network model based on recursive fusion of features,FR-YOLOv4)。针对春见柑橘尺寸小的特点,FR-YOLOv4网络模型的主干特征提取网络采用了感受野更小的CSPResNest50网络,降低了小尺寸目标的特征图传不到目标检测器中的可能性;针对春见柑橘被遮挡和密集分布的情况,采用了递归特征金字塔(Recursive Feature Pyramid,RFP)网络来进行特征递归融合,提高了对果园环境下春见柑橘的检测精度。试验结果表明:FR-YOLOv4网络模型对于果园环境中春见柑橘的平均检测精度为94.6%,视频检测帧率为51帧/s。FR-YOLOv4网络模型相比于YOLOv4、单次多框检测器(Single Shot Multi-Box Detector,SSD)、CenterNet和更快速卷积神经网络(Faster-Region-Convolutional Neural Networks,Faster R-CNN)的平均检测精度分别提高了8.9、29.3、14.1和16.2个百分点,视频检测帧率分别比SSD、Faster R-CNN提高了17和33帧/s。FR-YOLOv4网络模型对于实际果园环境中春见柑橘的检测精度高,具备检测实时性,适用于春见果园中春见柑橘检测与计数。

一种小型无人船地面站通信控制端设计

为了解决无人船和地面站之间的通信受距离的影响,并且地面站人机交互控制软件功能的缺失等问题,设计一种采用两种通信单元的、交互界面更完善的地面站系统。根据无人船和地面站距离的不同而采用不同通信单元,以保证无人船自身的状态数据以及周围环境的视频可以正常和稳定地传输到地面站,并对回传的数据进行检测和故障分析,在优化的人机交互界面中显示和播放,视频延时平均为106.5ms,使得用户可实时监控无人船。通过测试,该地面站系统设计合理、运行可靠。

基于改进A*算法的无人船完全遍历路径规划

针对无人船在复杂环境下完全遍历路径规划算法效率差、普适性低的问题,文中提出了一种基于改进A*算法的无人船完全遍历路径规划方法。首先通过地面站上位机电子地图界面发布任务区域,将该任务区域转换为栅格地图;然后通过内螺旋算法开始对栅格地图进行遍历;最后当无人船陷入死角时,通过改进A*算法搜索最优路径,逃逸死角继续遍历,直到完成所有可达区域的遍历。仿真结果表明,相比现有完全遍历的优化方法,该方法规划的路径步数从814步减少到784步,重复率从优化前的7.8%改善至3.98%,改善了性能指标,具有较好的应用前景。