文献类型：期刊文章

作　　者：王一田[1] 唐开强[2] 留沧海[1,3] 刘东[1]

WANG Yitian;TANG Kaiqiang;LIU Canghai;LIU Dong(School of Manufacturing Science and Engineering,Southwest University of Science and Technology,Mianyang 621000,China;Department of Control and Systems Engineering,College of Engineering Management,Nanjing University,Nanjing 210093,China;Key Laboratory of Testing Technology for Manufacturing Process of Ministry of Education,Mianyang 621000,China)

机构地区：[1]西南科技大学制造科学与工程学院,四川绵阳621000 [2]南京大学工程管理学院控制与系统工程系,江苏南京210093 [3]制造过程测试技术省部共建教育部重点实验室,四川绵阳621000

出　　处：《传感器与微系统》

基　　金：四川省重大科技专项项目(2020ZDZX0019);四川省科技厅重点研发计划资助项目(19ZDYF1083)。

年　　份：2022

卷　　号：41

期　　号：4

起止页码：129-133

语　　种：中文

收录情况：BDHX、BDHX2020、CSCD、CSCD_E2021_2022、JST、RCCSE、ZGKJHX、核心刊

摘　　要：针对传统清洁机器人缺乏清洁效果反馈的问题,提出了基于YOLO v3算法的地面垃圾检测与清洁度评定方法。利用由垃圾巡检小车搭载的Jetson TX2和USB摄像头采集地面垃圾图像,选择兼具检测精度与速度的YOLO v3模型进行垃圾检测与分类;然后通过对不同类别的垃圾分配不同的权重系数,并与统计的垃圾数量加权出清洁度指数,从而实现清洁度等级的评定;系统可根据等级信息来指挥地面清洁机器人高效地完成清洁任务,以减少机器人的盲目性。实验结果表明:模型检测准确率为90.6%,各类垃圾检测在测试集上的mAP达到了88.3%,平均帧率为28帧/s,相比于Faster R-CNN具有高出了2.8个百分点的检测准确率和更高的实时性。

关 键 词：地面清洁度  YOLO v3  深度学习  垃圾巡检小车  

分 类 号：TP391]