基于机器视觉的巡检机器人目标检测研究

简介

为提高基于机器视觉的巡检机器人目标识别准确率和检测速度,提出一种基于改进YOLOv3网络的目标检测识别方法。所提方法利用PANet优化YOLOv3网络路径和自适应池化结构,采用深度可分离卷积替代其标准卷积,以提高YOLOv3网络识别精度和检测速度,并基于改进的YOLOv3网络进行目标检测,实现了高精度、快速率的巡检机器人目标检测。仿真结果表明,所提方法相较于标准YOLOv3网络和常规目标检测网络SSD、DenseBox以及Faster RCNN,在准确率和检测速度方面具有明显的优势,均值平均精度达到84.44%,每秒帧率达到30帧/s,可实现基于机器视觉的巡检机器人实时检测。