基于 YOLO 网络的草坪异物检测方法

基于 YOLO 网络的草坪异物检测方法

王亚文

西藏大学 850032

摘要：草坪障碍物的检测是智能割草机械不可避免的问题，它关系到割草机能否安全、稳定、高效的运行。考虑到障碍物检测的实时性以及嵌入式平台的应用，本文搭建了一个草坪异物检测平台，建立一个异物图片数据集，提出了一种简单高效的方法用于生成图片中垃圾目标物的简易真值热力图。基于 YOLOv5网络，以真值热力图为量化标准，设计并实验得出一种用于生成异物目标物预测热力图的分支结构。随后将预测热力图送回 YOLOv5的 backbone 结构，增加目标检测网络前向传播过程中特征图的空间注意力权重，以提高整个目标检测网络的性能。通过拍照将数据上传到平台，使用神经网络图像识别技术进行特征提取。与数据集里收集的异物图片特征进行对比，将对比结果及时反馈给平台，草坪管理人员可以通过检测结果及时进行草坪清理，既保障群众在草坪上的安全性，也能够保护草坪环境。

关键词：YOLO网络；深度学习；异物检测

一、引言

人类利用和改造草地环境的活动，会产生良好的效果，又可能产生不良、甚至严重的影响，引起环境质量的下降，从而不利、甚至危害人类生产、生活和健康。其影响和危害的程度，需要进行草地环境质量检测，然后确定对策进行改善。随着生活质量的提高，越来越多的人喜欢在天气好的时候和家人朋友外出野餐、露营，人们喜欢将帐篷搭建在草坪上，小孩们喜欢在草坪上嬉戏打闹，但有时会因为草坪上未被清理的玻璃碎渣等一些异物而受伤[1]。由于草地环境的破坏，造成草地面积减少，退化速度加剧，草地生产能力下降显著。如今，人造草坪已经慢慢的普及，它之所以能被广泛接受和应用，是因为与天然草坪相比，人工草坪更耐磨、耐候、易维护、弹性和颜色稳定性更好。因此，在实际使用中，人工草地的环保性能越来越受到人们的重视，但人工草坪建造对时间和经费的要求特别多，所以对人造草坪和草地环境保护十分重要。草地异物检测能够有效地检测出草地异物，及时进行清理，既能够保护草地环境，又能够避免人群在草地进行集体活动是因刀片等异物受伤，像学校、公园这些地方草坪居多，也时常会有受伤的事件发生。保持草坪干净也是对大家安全的保障。

二、YOLO算法在草坪异物检测中的概述

YOLO 算法是一种基于CNN的图像目标检测方法，采用一个单独的CNN模型实现end-to-end的目标检测，其核心思想是利用整张图作为网络的输入，直接在输出层回归bounding box（边界框）的位置及其所属的类别[2]。YOLO的意思是“You Only Look Once”，它并没有真正的去掉候选区域，而是创造性的将候选区和目标分类合二为一。这种设计理念来源于对目标检测任务深入的理解和对用户界面的需求。YOLO模型采用预定义预测区域的方法来完成目标检测。具体而言，它将原始图像划分为7x7=49个网格（grid），每个网格允许预测出2个边框（bounding box，包含某个对象的矩形框），总共49x2=98个bounding box。可以将其理解为98个预测区，很粗略的覆盖了图片的整个区域，就在这98个预测区中进行目标检测。只要得到这98个区域的目标分类和回归结果，再进行NMS就可以得到最终的目标检测结果。这种方法大大减少了目标检测所需的时间和计算资源，提高了目标检测的效率和准确性，具体如图1所示。

图1.YOLO算法在目标检测中含义

三、基于YOLO 网络的草坪异物检测方法的实施方案

（一）搭建YOLO模型

配置虚拟环境，在GitHub上下载 YOLO 。

（二）构建数据集

在对多种草坪环境进行调查后，总结出主要障碍物可分为六种，它们分别是人、树木、石头、草坪灯、消火栓和警示柱。这些障碍物在草坪环境中起着不同的作用和意义。为了更全面地了解草坪环境的状况，对此进行了深入的调查和分析。为了获取更多的原始图片，不仅通过实际拍摄采集到一些图片，还利用了COCO2017数据集和网络下载的方式补充了一些图片。COCO2017数据集是一个常用的计算机视觉数据集，包含了多种场景和障碍物的图像。网络下载则是从其他地方获取了大量的原始图片。总计7565张原始图片。为了增加训练结果的鲁棒性并提高深度学习模型的泛化能力，本文采用了水平翻转、调整亮度、调整对比度以及添加高斯噪声方法对原始图片进行数据增广。在经过这些处理后，最终得到了15624张图片。这些图片不仅包含了各种不同的场景和障碍物，还涵盖了各种不同的光照条件和背景因素。通过这些图片的训练，深度学习模型将能够更加准确地识别和分类草坪环境中的各种障碍物。

（三）训练模型

在对模型进行训练之前，需要构建一个好的模型，确保模型可以准确识别。在构建模型的过程中，需要构造训练样本和设计损失函数，才能利用梯度下降对网络进行训练。在训练过程中，需要使用大量的数据集，例如 Image Net 数据集。这个数据集包含了大量的图像数据，可以利用这些数据来对模型进行训练。首先，对前20层卷积网络进行预训练，这样可以帮助模型更好地理解和处理图像数据。然后，会使用完整的网络，在 PASCAL VOC数据集上进行对象识别和定位的训练。在这个数据集上，会设计不同的训练任务，例如分类、检测和定位等，这样可以帮助模型更好地适应不同的应用场景。YOLO 的最后一层采用线性激活函数，其它层都是 Leaky ReLU。这样的设计可以更好地帮助模型更好地学习和提取图像特征。在训练过程中，还会采用 drop out 和数据增强（data augmentation）来防止过拟合。

（四）测试优化模型

对模型进行测试是至关重要的一步，通过对模型的实际性能进行测试，可以确保模型的准确性和可靠性，并对不足的地方进行优化改进。通过专门的接口，可以将摄像头与平台紧密相连，无论何时何地，都能实时追踪草坪上的物品。并且，它能够迅速与数据集里的特征进行精确比对，第一时间得到反馈。并且采用了高效的YOLO模型目标检测算法，它不仅运行速度快，还特别适合实时控制系统。此外，Deep sort多目标跟踪算法也在原有基础上进行了优化，即使在有遮挡的情况下，也能确保稳定的目标跟踪效果。更值得一提的是，还巧妙地利用了anchor box技术，将分类与目标定位的回归问题融为一体，既保证了效率又兼顾了灵活性。

四、基于YOLO 网络的草坪异物检测方法应用的实际意义

（一）改善生活环境

在现实生活中，草坪是公共场所和住宅小区的重要组成部分，一个干净、整洁的环境能够提升居民的幸福感和舒适感[3]。通过使用YOLO网络，可以实时监测草坪上的异物，如垃圾、落叶等，并及时清理，保持草坪的清洁。

（二）减少清理异物所需的人力物力损耗

传统的清理草坪异物的方法通常需要大量的人力物力，人工巡逻和清理既耗时又耗力，而且效果并不理想。基于YOLO网络的检测方法则可以大大减少这方面的损耗。通过自动化检测和清理，可以节省大量的人力和时间，同时提高工作效率，使草坪维护更加便捷。

五、总结

综上所述，基于YOLO网络的草坪异物检测方法的应用不仅有助于提升生活环境的质量，还能有效降低维护成本，具有很大的实际意义。

参考文献

[1]王新彦,吕峰,易政洋.基于深度学习的草坪树木检测方法研究[J].中国农机化学报, 2021.

[2]黄东辉,向宇,高巧明.基于深度学习的草坪障碍物检测研究[J].拖拉机与农用运输车, 2022(004):049.

[3]金小俊,孙艳霞,陈勇等.基于深度学习的草坪杂草识别与除草剂喷施区域检测方法[J].草地学报,2022,30(06):1543-1549.

作者简介：王亚文 2003.12.1 女 甘肃民乐 汉 本科 学生 西藏大学 研究方向:基于 YOLO 网络的草坪异物检测平台