Key points are not available for this paper at this time.
고추 인식은 로봇이 고추를 수확하기 위한 핵심 기술 중 하나입니다. 로봇은 과일의 위치를 찾아야 합니다. 게다가, 고추는 항상 밀집해서 재배되며 그 과일은 항상 클러스터로 형성됩니다. 가지와 잎, 또는 다른 고추에 가려진 고추를 인식하고 위치를 찾는 것은 도전 과제입니다. 이러한 상황을 고려한 인식 알고리즘에 대한 정보는 거의 없습니다. 이 문제를 해결하지 못하면 로봇이 고추를 정확하게 위치 지정하고 수확할 수 없으며, 이는 고추 수확 로봇의 기계적 팔과 최종 효과기에 손상을 입힐 수도 있습니다. 또한, 기존의 지상 목표 인식 알고리즘은 상대적으로 복잡하고, 많은 매개변수와 계산과 같은 여러 가지 문제가 있습니다. 많은 기존 모델은 하드웨어에 대한 요구 사항이 높고 휴대성이 떨어집니다. 이러한 알고리즘을 수행하는 것은 고추 수확 로봇의 계산 및 배터리 전원이 제한적인 경우 매우 어렵습니다. 이러한 실질적인 문제를 고려하여, 우리는 가려진 고추와 비가려진 고추를 자동으로 식별하기 위한 개선된 YOLOv5s에 기반한 목표 인식-위치 지정 방안인 GNPD-YOLOv5s를 제안합니다. 첫째, Ghost 모듈에 대한 경량 최적화를 우리의 방안에 도입합니다. 둘째, 매개변수를 줄이기 위해 모델의 가지치기 및 증류를 설계합니다. 마지막으로, 실험 데이터는 YOLOv5s 모델과 비교할 때 GNPD-YOLOv5s 방안의 부동 소수점 연산 수가 40.9% 감소하고 모델 크기가 46.6% 줄어들며, 추론 속도가 29 ms/프레임에서 14 ms/프레임으로 가속화됨을 보여줍니다. 동시에 평균 정밀도 (MAP)는 1.3% 감소합니다. 우리의 모델은 작은 비용으로 밀집된 환경에서 경량 네트워크 모델과 목표 인식을 구현합니다. 우리의 위치 지정 실험에서 최대 깊이 고추 위치 오류는 1.84 mm로, 고추 수확 로봇의 고추 인식 요구를 충족합니다.
Zhang et al. (Fri,)는 이 문제를 연구했습니다.