目標檢測分類系統(tǒng)設計探究

前言：想要寫出一篇引人入勝的文章？我們特意為您整理了目標檢測分類系統(tǒng)設計探究范文，希望能給你帶來靈感和參考，敬請閱讀。

摘要:隨著科技水平的不斷發(fā)展，機器代替人進行簡單而繁瑣的工作是發(fā)展趨勢。綜合考慮能夠適用于各種不同場面的分類工作的潛力，本文設計了一種能夠通過攝像頭與機械臂對圖像物品進行捕捉、抓取和分類的一體式智能交互機器人。

關鍵詞：視覺跟蹤；圖像識別；物品分類；深度學習；YOLOv3

1引言

目前，目標檢測算法主要包括傳統(tǒng)目標檢測技術和深度學習目標檢測技術。傳統(tǒng)的識別技術主要采用滑動窗口實現(xiàn)圖片內(nèi)目標搜索，檢測精度較低，具有較差的魯棒性。YOLOv3是一種快速、準確的深度學習目標檢測技術[1-2]，在檢測速度與檢測精度方面具有較好的綜合性能，因此被廣泛應用于近景目標檢測。本文提出一種基于樹莓派的智能交互機器人控制系統(tǒng)設計，通過樹莓派搭載攝像頭構成機器人的視覺交互系統(tǒng)，利用YOLOv3進行目標識別，將深度學習算法與智能交互機器人技術相結合，具有一定的創(chuàng)新性和研究價值。

2系統(tǒng)整體設計

2.1系統(tǒng)主體結構

系統(tǒng)主體結構包括以下部分：樹莓派攝像頭、樹莓派、STM32系統(tǒng)板、六舵機械臂、穩(wěn)壓模塊、驅(qū)動模塊、電機、車模。

2.2工作原理

系統(tǒng)的整體控制結構如圖1所示。樹莓派通過YOLOv3識別攝像頭讀取的圖片，識別物體所在位置并通過串口發(fā)送給STM32。STM32單片機再控制小車進行運動，通過多次的識別及運動后，當物體所在位置在機械臂可以捕捉的范圍內(nèi)時，小車停止運動，控制機械臂對其進行捕捉。捕捉成功后，機械臂再把物體擺放在給定的分類區(qū)，完成一次捕捉分類任務。

3系統(tǒng)結構設計

智能交互機器人由車體、直流電機與驅(qū)動模塊、控制與信息處理裝置、機械臂等部分組成，機械臂采用舵機驅(qū)動，機械結構如圖2所示。機器人的總體結構設計目標如下：（1）在無人為外界因素干預的情況下，智能交互機器人能高效地自主運行。（2）智能交互機器人的機械結構和控制系統(tǒng)采用模塊化設計，便于拆卸、修理和維護。（3）機械臂的設計采用串聯(lián)結構，不同關節(jié)不會相互影響，可以完成較好的傳動精度和傳動穩(wěn)定的設計要求。大扭矩舵機保證轉動精度，單舵機控制單關節(jié)，使得機械臂動作簡單，控制容易。（4）通過PWM同時驅(qū)動四臺直流電機可對電機進行直接控制。輸入信號采用光耦合進行隔離，且具有欠壓保護功能。同時設計了靜電泄放回路，充分滿足電機驅(qū)動要求。（5）主控采用STM32F103微處理和樹莓派4B，可以滿足系統(tǒng)的控制需要。（6）車體采用鋁制底盤，絕緣性較好，重心低，載重能力強，保證智能交互機器人機械結構的小巧輕便以及在運行時性能的穩(wěn)定。

4系統(tǒng)軟件設計

4.1軟件流程

程序流程圖如圖3所示。系統(tǒng)軟件設計采用模塊化程序設計方法，包括系統(tǒng)初始化程序、攝像頭識別程序、機械臂控制程序和灰度循跡程序。樹莓派開機后首先進行系統(tǒng)初始化操作，然后運行相應程序文件。STM32單片機控制直流電機通過灰度循跡來到目標識別區(qū)，隨后樹莓派運行基于YOLOv3的深度學習圖像識別算法依次識別目標物體。當檢測到目標物體后，樹莓派通過串口發(fā)送抓取命令，控制機械臂完成抓取動作，并將物品擺放在預定分類區(qū)域，隨后智能交互機器人回到初始位置。

4.2串口與機械臂控制程序設計

樹莓派與STM32單片機之間采用串口通信進行數(shù)據(jù)收發(fā)，樹莓派識別出目標位置信息并以字符串的形式通過串口發(fā)送給STM32單片機。通過不同的指令完成車體不同的動作，實現(xiàn)上下位機的通訊與系統(tǒng)協(xié)調(diào)工作。智能交互機器人的機械臂由6個舵機構成，分別控制機械臂的關節(jié)1到關節(jié)5以及底盤。機械臂的動作控制依靠PWM控制舵機角度完成，通過STM32編程使得I/O口輸出的PWM波占空比持續(xù)變化，進而使機械臂完成指定動作。

4.3YOLOv3目標檢測算法

YOLOv3是一種快速、準確的深度學習目標檢測技術，在檢測速度與檢測精度方面具有較好的綜合性能。在進行圖像特征提取時，YOLOv3運用了Darknet網(wǎng)絡結構[3]。它與殘差網(wǎng)絡的工作原理相似，都是在層與層之間安排了快捷鏈路。YOLOv3進行目標識別時采用不同尺度的3個特征圖，包括32倍降采樣、16倍降采樣以及8倍降采樣，在多尺度featuremap上的檢測與SSD類似。YOLOv3通過route層把淺層特征調(diào)用起來，將4次下采樣后得到的淺層featuremap與16倍降采樣得到的featuremap進行拼接，在深度學習網(wǎng)絡的同時學習深層和淺層特征，具有更好的表達效果。YOLOv3網(wǎng)絡結構如4所示[4]。YOLOv3通過多尺度檢測[5-6]，顯著提高了mAP及小型物體的檢測精度，并且通過殘差網(wǎng)絡形成了更深的網(wǎng)絡層次。如果采用COCOmAP50作為評估指標，YOLOv3的表現(xiàn)相當驚人。它的檢測速度是其他模型的很多倍。實際識別效果圖如5所示。

5結束語

本文研究的智能交互機器人主要運用了YOLOv3深度學習算法，通過算法自動檢測出圖片中物體的位置，分類出邊界框的物體的類別信息。主要運用在對貨物進行合理的分類擺放，把各種不同的貨物準確地擺放到合適的區(qū)域。通過該深度學習，系統(tǒng)不僅可以使機器人能夠適用于各種不同的場景，而且YOLO算法的準確性以及高速也能夠帶來很大的便利。

作者:楊炅坤 黃景林 陳玥名 朱胤愷 羅宇昊 單位:中國計量大學機電工程學院