基于改进YOLOv5s的轻量化蟹塘障碍物检测与定位方法

作者：孙月平; 孙杰; 袁必康; 方正; 秦云; 赵德安

来源：农业工程学报, 2023, 39(23): 152-163.

• 蟹塘
• 无人作业船
• 障碍物检测
• YOLOv5s
• ShuffleNetV2
• 深度相机

蟹塘中不定期放置不同类型、不同大小的养殖装置影响无人作业船的自动巡航作业，为了提高无人作业船的工作效率和安全性，该研究提出一种改进YOLOv5s的轻量化蟹塘障碍物检测模型，并结合深度相机对蟹塘障碍物进行定位。改进模型从平衡检测速度和检测精度的角度出发，首先将ShuffleNetV2轻量化网络作为主干特征提取网络，大幅缩减模型体积；其次在不增加计算量的同时引入SENet注意力机制，加强对蟹塘障碍物目标的特征感知；接着将SPPF模块改进为SPPFCSPC模块，增强不同尺度下蟹塘障碍物的检测效果；最后采用SIoU损失函数加速模型收敛，提高检测的准确性。改进模型结合RealSense D435i深度相机获取的彩色图像对障碍物进行检测，并得到障碍物中心点在蟹塘坐标系下的三维坐标和障碍物的投影宽度。试验结果表明，改进模型对竹竿、蟹笼、增氧机3类障碍物具有良好的区分度和识别效果，与原始YOLOv5s模型相比，改进模型的参数量和计算量分别减小了62.8%和80.0%，模型大小仅为5.5 MB，单张图像的检测速度达15.2 ms，检测速度提升了44.5%，平均精度均值（mean average precision,mAP）为93.3%。与其他算法相比，改进模型在参数量、计算量、检测速度和检测精度上保持了最佳平衡，具有明显的优势。在定位精度试验中，2～10 m范围内测得相机与3类典型障碍物间距离的平均误差和平均相对误差最大分别为0.16 m和2.26%；测得3类障碍物投影宽度的最大误差为0.19 m，平均误差分别为0.03、0.05、0.10 m，平均相对误差分别为34.1%、7.5%和5.0%。在动态试验中，改进模型在蟹塘环境下均能检测出3类障碍物并输出其位置信息，检测成功率达96.8%，验证了该模型能够满足蟹塘环境下对常见障碍物进行检测与定位的要求，研究结果可为后续无人作业船的自主避障与巡航作业研究提供参考。

• 单位
  江苏大学