文献类型：期刊文章

作　　者：陈仁祥[1] 邱天然[1] 杨黎霞[2] 余腾伟[1] 贾飞[1] 陈才[3]

CHEN Renxiang;QIU Tianran;YANG Lixia;YU Tenwei;JIA Fei;CHEN Cai(Chongqing Engineering Laboratory of Traffic Engineering Application Robot,Chongqing Jiaotong University,Chongqing 400074,China;School of Business Administration,Chongqing University of Science and Technology,Chongqing 401331,China;Chongqing Intelligent Robot Research Institute,Chongqing 4000714,China)

机构地区：[1]重庆交通大学交通工程应用机器人重庆市工程实验室,重庆400074 [2]重庆科技学院工商管理学院,重庆401331 [3]重庆智能机器人研究院,重庆400714

出　　处：《光学精密工程》

基　　金：国家自然科学基金(No.51975079);重庆市教委科学技术研究项目(No.KJZD-M202200701);重庆市自然科学基金创新发展联合基金(No.CSTB2023NSCQ-LZX0127);重庆市研究生联合培养基地项目(No.JDLHPYJD2021007);重庆市专业学位研究生教学案例库(No.JDALK2022007);重庆市研究生科研创新项目(No.CYS23509);重庆科技大学科研启动项目(No.ckre202212030)。

年　　份：2024

卷　　号：32

期　　号：10

起止页码：1595-1605

语　　种：中文

收录情况：AJ、BDHX、BDHX2023、CAS、CSCD、CSCD2023_2024、EI、INSPEC、JST、RCCSE、SCOPUS、ZGKJHX、核心刊

摘　　要：针对服务机器人视觉抓取时待识别目标存在密集遮挡导致识别效果差的问题,提出改进YOLOv7的服务机器人密集遮挡目标识别方法。首先,为改善密集遮挡目标特征信息丢失导致识别困难的问题,使用深度过参数化卷积构建深度过参数化高效聚合网络,利用不同卷积核对每个通道进行运算,增强网络感知能力,使网络关注目标未遮挡区域特征;其次,为抑制密集遮挡目标边界不易区分对识别造成的影响,将坐标注意力机制嵌入主干网络中,使网络获取目标位置信息并更好地关注特征图中的重要区域,增强网络特征提取能力;最后,使用Ghost网络进行轻量化改进,减少计算量并降低模型内存占用。在自建数据集与公共数据集分别对模型进行对比实验,实验结果表明,改进后模型mAP分别达到92.9%,87.8%。本文模型在降低内存占用的同时,识别精度和识别效率提升,整体性能更优。

关 键 词：密集遮挡  改进YOLOv7  服务机器人 目标识别

分 类 号：TP391]