论文部分内容阅读
葡萄作为鲜食水果之一,在种植过程中及时监测其营养需求和病虫害状况,对提高葡萄品质有至关重要的作用。随着现代科学技术的快速发展,农业现代化和信息化不断取得新进展,农用无人机在农业生产中逐渐显现出其优越性和应用发展潜力。在葡萄生产中引入和使用农用无人机,提高了葡萄种植效率,但与此同时也面临着无人机的安全运行等问题,因此农用无人机的实时自主避障成为了农业信息化与自动化领域的一个重要的研究热点。已有报道表明,目前研究者们大多采用不同传感器来检测无人机与飞行环境中障碍物的距离,并采取相应的避障方法,但是存在检测距离有限和价格昂贵等诸多问题。为此,本文采用现今人工智能领域的最新热点技术-深度学习方法,探究农用无人机目标检测智能算法,构建实时准确避障应用系统。首先,本文在探讨深度学习的典型卷积神经网络结构模型的基础上,分析了基于区域提名的目标检测算法,研制了农田障碍物数据集,主要包括有人、树木、鸟类、电线塔、建筑物、农用飞机和风筝等七类。其次,在深入剖析以YOLO系列为代表的无需区域提名的目标检测算法的基础上,提出了一种结合区域提名目标检测算法与无需区域提名目标检测算法的新型智能目标检测算法。最后,基于上述改进智能算法和实验研究,设计了一种基于目标检测算法的农用无人机避障系统的实现方案。实验研究表明,相比于基于超声波避障和RTK技术等典型避障系统,本文所采用的避障方法降低了成本;而相比于现有的目标检测算法,本研究改进的目标检测智能避障算法,比Faster R-CNN的mAP提高了17.2%,检测速率加快了14个FPS;并在保证实时性的同时,mAP比YOLO2提高了23.3%,比YOLOv3提高了6.25%。同时在此基础上设计了一种适用于农田环境的农用无人机障碍物检测系统方案,为实现无人机实时避障提供了新方法。