在复杂渔光互补池塘环境中,传统机器视觉算法易受光影变化、池中水草分布和水面障碍物遮挡等因素干扰,导致视觉导航线检测效果不佳。针对上述问题,该研究提出了一种基于改进YOLOv8n的渔光互补池塘作业船导航中线提取方法。首先从提高检...在复杂渔光互补池塘环境中,传统机器视觉算法易受光影变化、池中水草分布和水面障碍物遮挡等因素干扰,导致视觉导航线检测效果不佳。针对上述问题,该研究提出了一种基于改进YOLOv8n的渔光互补池塘作业船导航中线提取方法。首先从提高检测实时性角度出发,将HGNetV2网络作为主干网络,采用组归一化方式(group normalization,GN)与共享卷积结构,设计轻量化检测头网络,减小模型体积;然后使用SPPF_LSKA模块作为特征融合层,提高模型多尺度特征融合能力;最后采用Wise-IoU(weighted interpolation of sequential evidence for intersection over union)损失函数,提升边界框回归性能和对中远处小目标的检测精度。利用改进YOLOv8n检测框坐标提取两侧水泥立柱定位参照点,通过最小二乘法拟合两侧水泥立柱行线,进而使用角平分线提取导航中线。消融试验结果表明,相对于原始YOLOv8n模型,改进YOLOv8n模型的计算量、参数量和模型体积分别下降36.0%、36.8%和32.8%,平均精度均值(mean average precision,mAP)为97.9%,查准率为93.1%,单张图像检测时间为6.8 ms,检测速度提升42.9%。不同模型对比试验表明,改进YOLOv8n模型在较低计算成本的基础上,体现出了良好的实时性与精准度检测性能,具有明显优势。在导航中线定位分析试验中,提取水泥立柱定位参照点与人工观测标记点平均直线误差在0~5和5~10 m距离范围内分别为3.69 cm和4.57 cm,提取导航中线与实际导航中线平均直线误差为3.26 cm,准确率为92%。在导航中线实时性试验中,导航中线平均提取速度为22.34帧/s,满足渔光互补池塘无人作业船导航要求,为后续作业船视觉导航系统研究提供参考。展开更多
文摘在复杂渔光互补池塘环境中,传统机器视觉算法易受光影变化、池中水草分布和水面障碍物遮挡等因素干扰,导致视觉导航线检测效果不佳。针对上述问题,该研究提出了一种基于改进YOLOv8n的渔光互补池塘作业船导航中线提取方法。首先从提高检测实时性角度出发,将HGNetV2网络作为主干网络,采用组归一化方式(group normalization,GN)与共享卷积结构,设计轻量化检测头网络,减小模型体积;然后使用SPPF_LSKA模块作为特征融合层,提高模型多尺度特征融合能力;最后采用Wise-IoU(weighted interpolation of sequential evidence for intersection over union)损失函数,提升边界框回归性能和对中远处小目标的检测精度。利用改进YOLOv8n检测框坐标提取两侧水泥立柱定位参照点,通过最小二乘法拟合两侧水泥立柱行线,进而使用角平分线提取导航中线。消融试验结果表明,相对于原始YOLOv8n模型,改进YOLOv8n模型的计算量、参数量和模型体积分别下降36.0%、36.8%和32.8%,平均精度均值(mean average precision,mAP)为97.9%,查准率为93.1%,单张图像检测时间为6.8 ms,检测速度提升42.9%。不同模型对比试验表明,改进YOLOv8n模型在较低计算成本的基础上,体现出了良好的实时性与精准度检测性能,具有明显优势。在导航中线定位分析试验中,提取水泥立柱定位参照点与人工观测标记点平均直线误差在0~5和5~10 m距离范围内分别为3.69 cm和4.57 cm,提取导航中线与实际导航中线平均直线误差为3.26 cm,准确率为92%。在导航中线实时性试验中,导航中线平均提取速度为22.34帧/s,满足渔光互补池塘无人作业船导航要求,为后续作业船视觉导航系统研究提供参考。
