基于YOLOV3-Tiny算法的扫地机器人视觉识别发布时间：2021-05-11T09:17:56.484Z来源：《素质教育》2021年4月总第376期作者：刘子涵[导读]但由于雷达离地面有一定的高度，在此水平高度以下的物体难以被识别。上海星河湾双语学校201100摘要：目前大多数扫地机器人采用激光和超声波技术进行避障，常出现物体检测识别率较低、运动与避障控制不及时等问题。本研究在避障功能中引入视觉处理，采用嵌入式智能处理器结合AI算法方式，代替传统图像识别算法，并对算法架构进一步优化，提升识别效率及准确度。本文引入YOLO算法，并对原生YOLOV3-Tiny算法进行一定的剪枝，大幅提升了目标识别的准确性。关键词：扫地机器人机器视觉视觉避障YOLOV3-Tiny算法一、介绍目前扫地机器人采用了激光定位，从墙壁到家具都可以进行扫描，很少会遗漏一些大物品，弥补了之前超声波、红外线定位的不足。但激光雷达对于一些小物件，如地面上的玩具、画册、电线、插座等，很少会将它们视作障碍，无法做出精准的避障，碰撞中会导致较小物件及扫地机器人本体的损伤。这是因为单向激光雷达虽然可以扫描出地面的全景图，但由于雷达离地面有一定的高度，在此水平高度以下的物体难以被识别。YOLO是一种快速和准确的实时对象检测算法，它虽然不是最精确的算法，但在精确度和速度之间选择的折中，非常具有优势。YOLOV3借鉴了YOLOV1和YOLOV2的特点，保持YOLO家族速度优势的同时，提升了检测精度。YOLOV3算法使用一个单独神经网络作用在图像上，将图像划分多个区域并且预测边界框和每个区域的概率。为提升扫地机器人避障效率，本文借助单目摄像头利用深度学习框架在YOLO算法下实现了对若干类小物体的高效识别。二、材料与方法1.硬件选型本研究采用RK3288处理器，并使用了Firefly开发板：处理器，RK3288Cortex-A17四核1.8GHz；图形处理器，Mali-T764，支持OpenGLES1.1/2.0/3.0,OpenVG1.1,OpenCL,Directx1；内存，2GBDDR3双通道；存储器，16GBeMMCFlash，MicroSD。2算法选型在算法选择上，使用了JosephRedmon开发的YOLOV3，其优势在于OneShotDetection，也有较好的迭代支持。同时也考虑了其他算法，比如SSD目标检测算法，SSD属于onestage的多框预测；MobileNet则采用了流线型架构，其卷积层是深度可分离的，由此构建出的深层神经网络较为轻量。YOLO算法在图像识别方面较为擅长，在此基础上演变过来第三版算法YOLOV3在识别小目标时精度上有明显提高。YOLOV3算法是一个端到端的网络，因此整个过程都使用称为和平方误差的损耗计算，这是一个包括分类、IOU、坐标等误差在内的差异加法。当我们将损失函数相加时，就需要评估在整个损失函数中每个损失函数的各自权重。若分类和坐标这两个误差权重一致，将导致模型不稳定，之后的训练过程也会出现发散的情况。因此，YOLO算法将坐标误差的权重设置为λcoord=5。在计算IOU误差时，包含对象的网格和不包含对象的网格的IOU误差对网络损耗的贡献是不同的。如果使用权重，则不包含任何对象的晶格的置信度值约为0，这会扭曲对象的影响。计算网络参数梯度时，包含对象的晶格的置信误差。为了解决这个问题，YOLO使用λnoperson=0.5来修复iouErr(这里的“包含”表示存在一个对象，其中心坐标落入网格)。如果误差值相等，对于检测的影响，小物体的误差影响大于大物体的误差影响。YOLO通过对信息的平方根(w和h)求根来解决此问题。与之前的版本相比，YOLOV3版本的优势在于提高了精度，但同时也出现了速度降低的现象。这些网络架构对于很多边缘和移动场景而言过大(YOLOV3网络的大小为240MB)，而且因为计算复杂度(YOLOV3需要多达65B的运算量)过高，在搭载RK3288的设备上的推断速度会很慢。为了实现嵌入式系统上较高效的AI推理，研究人员发布了一个轻量级的模型YOLOV3-Tiny。YOLOV3-Tiny是YOLOV3算法的升级版和简化版。相比于YOLOV3，YOLOV3-Tiny减少了残差层，只是使用了不同尺度的输出层。在嵌入式系统AI算力有限的情况下，综合考虑图像识别的准确性和帧率，本研究选择了YOLOV3-Tiny作为首选算法。3.算法模型围绕开发扫地机器人专用视觉识别模块，开发专用图像识别算法，策略是基于YOLOV3-Tiny的网络修改版YOLOV3-Tiny-2l6，识别11类目标。整个算法开发的过程主要由数据