【技术实现步骤摘要】
：本专利技术涉及一种入侵检测系统及其检测方法，属于网络安全。
技术介绍
0、
技术介绍
：
1、障碍物检测在农业机械化和自动化领域中扮演着至关重要的角色，特别是在设施农业大棚中，机器人必须能够有效识别和避开各种障碍物以保证作业的连续性和安全性。当前，利用计算机视觉技术进行障碍物检测已经逐渐成为提升农业机器人自动化水平和作业效率的关键技术。
2、然而，在设施农业环境中，机器人面临的挑战尤为突出，如大棚内光线条件复杂、障碍物类型多样(包括作物、工具、其他机械等)，以及障碍物与背景间的对比度不明显等问题。此外，现有的障碍物检测方法在处理这些复杂场景时常常存在实时性和准确性不足的问题，难以满足农业自动化的高效率和高精度需求。
3、针对设施农业大棚内的特定条件，需要开发能够准确快速地处理和识别障碍物的高效算法。目前大部分算法依赖于传统的特征提取和图像处理技术，这些方法在复杂农业场景中往往效率不高，且易受环境变化的影响，导致检测性能不稳定。因此，开发一种新的障碍物检测方法，能够适应设施农业中变化多端的环境条件和障碍物类型，同时保证检测的实时性、准确性和低资源消耗，是提升农业机器人作业效率和安全性的关键。此外，构建针对具体农业应用场景的机器人障碍物数据集，并通过先进的深度学习模型进行有效的训练和优化，是实现上述目标的基础。
技术实现思路
0、
技术实现思路
：
1、有鉴于此，本专利技术提供了一种设施农业机器人障碍物检测方法及系统，采用efficientvi
2、为了实现上述目的，本专利技术采用如下技术方案：
3、一种设施农业机器人障碍物检测方法，包括：
4、获取农业机器人在设施大棚中作业的图像，建立机器人障碍物数据集。
5、建立改进的yolov8模型，通过所述机器人障碍物数据集训练所述改进的yolov8模型；在所述改进的yolov8模型中，采用efficientvit和fasternet组合模块替换所述yolov8模型中的cspdarknet特征提取网络，且每个所述组合模块前均设置一个特征处理模块；
6、采用refineconv卷积替换所述yolov8模型在特征融合网络中的卷积层，refineconv卷积首先通过一个动态调节模块来确定每个特征图的处理深度，根据输入特征的复杂性自动调整计算资源的分配。随后，特征图通过一个增强模块，该模块包括局部响应归一化和小尺度特征提取器，以增强局部特征的表达能力；
7、优选的，所述efficientvit和fasternet组合模块具体包括efficientvit的多尺度线性注意力机制和fasternet的局部卷积层，以实现高效的特征提取和加速处理。
8、优选的，所述refineconv卷积的浮点运算次数为：
9、flops＝n×(h′×w′×(c×k2×(1+β))
10、其中，n表示输出特征图的通道数，h'和w'分别为输出数据的高度和宽度，c为输入通道数，k为卷积核大小，β表示基于特征复杂性动态调整的系数。
11、优选的，所述efficientvit和fasternet组合模块的浮点运算次数为：
12、flopsef＝h×w×(k2×c2+c2)
13、其中，h和w分别表示特征图的高度和宽度，c表示通道数，k表示卷积核的大小。
14、优选的，所述refineconv卷积包括：一个动态调节模块，根据输入特征图的信息密度动态调整计算资源分配；一个局部响应增强模块，包括局部响应归一化和小尺度特征提取，这两个操作均通过1x1卷积进行。
15、优选的，所述refineconv卷积的每个输入通道的计算公式为：
16、
17、其中gi为输出特征图，wgik为第g组的卷积核参数，x(i+j-1)为输入特征图的第(i+j-1)通道的输入值，g为根据β动态调整的分组数，j和k分别为卷积核的高和宽。
18、优选的，通过focal-eiou损失函数评价所述改进的yolov8模型中的预测框与真实框的几何差异，具体包括：
19、lfocal-eiou＝iouγleiou
20、
21、其中，liou为iou损失，ldis为距离损失，lasp为宽高比损失，γ为控制异常值抑制程度的参数，ρ(·)为二者间的欧几里得距离，b与bgt分别表示预测框与真实框地中心点位置，wc和hc分别代表覆盖其两个框的最小外接框的宽度和高度，w与wgt分别表示预测框的宽度和真实框的宽度。h与hgt分别表示预测框与真实框的高度。
22、一种设施农业机器人障碍物检测系统，包括：
23、数据集获取模块，获取机器人在设施大棚中作业的图像，建立机器人障碍物数据集；
24、模型训练模块，建立改进的yolov8模型，通过所述机器人障碍物数据集训练所述改进的yolov8模型；在所述改进的yolov8模型中，采用fasternet和efficientvit组合模块替换所述yolov8模型中的cspdarknet特征提取网络，且每个所述fasternet和efficientvit组合模块前均设置一个特征处理模块；采用refineconv卷积替换所述yolov8模型在特征融合网络中的卷积层，并在上采样操作前加入卷积层压缩信息；
25、障碍物检测模块，采用训练完成的所述改进的yolov8模型对待检测的图像进行障碍物检测。
26、经由上述的技术方案可知，与现有技术相比，本专利技术公开提供了一种设施农业机器人障碍物检测方法及系统，以fasternet和efficientvit组合模块替换yolov8原来的cspdarknet特征提取网络，该网络通过部分卷积(pconv)和逐点卷积(pwconv)减少了冗余计算和内存访问，同时引入refineconv卷积，进一步减少了模型的复杂性和计算资源消耗，提高了检测精度，使得模型更具鲁棒性。
本文档来自技高网...【技术保护点】
1.一种设施农业机器人作业过程中障碍物检测方法，其特征在于：包括：
2.采用RefineConv卷积替换所述YOLOv8模型在特征融合网络中的卷积层，RefineConv卷积首先通过一个动态调节模块来确定每个特征图的处理深度，根据输入特征的复杂性自动调整计算资源的分配。随后，特征图通过一个增强模块，该模块包括局部响应归一化和小尺度特征提取器，以增强局部特征的表达能力。
3.数据集获取模块，获取机器人在设施大棚中作业的图像，建立机器人障碍物数据集；模型训练模块，建立改进的YOLOv8模型，通过所述机器人障碍物数据集训练所述改进的YOLOv8模型；在所述改进的YOLOv8模型中，采用FasterNet和Efficientvit组合模块替换所述YOLOv8模型中的CSPDarkNet特征提取网络，且每个所述FasterNet和Efficientvit组合模块前均设置一个特征处理模块；采用RefineConv卷积替换所述YOLOv8模型在特征融合网络中的卷积层，并在上采样操作前加入卷积层压缩信息。
【技术特征摘要】
1.一种设施农业机器人作业过程中障碍物检测方法，其特征在于：包括：
2.采用refineconv卷积替换所述yolov8模型在特征融合网络中的卷积层，refineconv卷积首先通过一个动态调节模块来确定每个特征图的处理深度，根据输入特征的复杂性自动调整计算资源的分配。随后，特征图通过一个增强模块，该模块包括局部响应归一化和小尺度特征提取器，以增强局部特征的表达能力。
3.数据集获取模块，获取机器人在设施大棚中作业的图像，建立机器人障碍...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。