摘要
无人水面艇在自主航行执行任务时需要对周围环境进行实时感知，通过获取视野范围内的障碍物信息以实现自主避障，视觉传感器具有实时性好、布置简单、成本低廉等优势。本文针对无人水面艇的实际工作需要，以如何提高对水面多类别目标的检测准确率为研究目标，提出了基于单目视觉的水面目标定位方法，这种方法需要通过目标检测算法获得图像中目标的具体位置信息，选择采用边框回归精度和可迁移性更优的FasterR-CNN算法训练目标检测器。为此，本文所做的具体工作如下: 首先，对无人水面艇的航行环境进行评估并构建了多类别水面目标数据集。然后，通过对比VGG16、GoogleNet和ResNet50这三神经典的卷积神经网络在水面目标数据集上的检测效果，选择采用ResNet50作为主干特征提取网络;对采用不同卷积神经网络检测模型的检测结果分析发现，原始的FasterR-CNN算法对数据集中小尺度目标漏检较多，进而造成整体检测准确率较差。针对这一问题，本文对原始算法进行了改进:其一，用融合了SE注意力机制的特征金字塔网络替换FasterR-CNN算法中自上而下的特征输出方式;其二，用在线难样本挖掘策略代替原始FasterR-CNN算法中的正、负样本训练方法。检测实验结果对比表明融合改进算法能够有效地提高对水面目标数据集的整体检测性能。 之后，将原始目标检测算法与融合改进算法在单目视觉定位方法中的应用效果进行对比，在固定摄像头拍摄的水面多目标航行视频中开展定位实验，结果表明:对目标检测算法的优化能够有效地提升单目视觉定位准确率，这种定位方法对远距离目标效果略差，总体定位效果较好。 最后，以“5800无人水面船”环境感知模块采集的协同工作船只航行视频为依据，对本文所提出的单目视觉定位方法在真实无人水面艇工作环境下的实用性进行探究，试验结果表明，本文提出的单目视觉定位方法能够较好地完成对真实环境下的水面目标检测与定位任务，对协助无人水面艇进行水面避障和实时路径规划有积极意义。
NETL