【技术实现步骤摘要】
本专利技术属于农业，尤其涉及多源障碍物识别方法、检测装置及检测系统。
技术介绍
1、在农业的生产过程中，由于地形的多边，在作业机械的路径上往往会存在很多障碍物。这些障碍物在现代化的农业中，使用自动化设备运行时，如无人机、无人农业机械等无人自动化设备，可能会影响自动化设备的运作。
2、而在现有的技术中，自动化设备对于障碍物识别的方法有以下几种：人工巡查，依赖于农场工作人员定期或不定期地在田间巡视，以识别和标记障碍物。这种方法容易受到人为因素影响，如疲劳、注意力分散等，导致识别准确性不高；静态图像分析，使用预先拍摄的田间图像，通过图像处理技术如边缘检测、颜色分割等来识别障碍物。这种方法的局限性在于无法实时更新障碍物信息，且对于动态变化的环境适应性较差；基于规则的机器学习模型，但这些模型在获取数据后，由于数据在实际的采集中具备一定的波动，而视觉模块对于复杂多变的农间环境识别效果有限，并且识别度并不高，这就导致基于识别训练出的模型，对于实际的障碍物特征的获取并不准确。
技术实现思路
1、基于上述问题，本专利技术提出了一种多源障碍物预警识别方法，通过视觉获取图像，通过混合数据增强算法，提升数据的多样性，以使得通过增强后的数据能够更贴合实际，并引用特征专注模型，提升获取特征的准确性，并基于yolov10n训练出识别模型，以提升模型获取特征的精准度，并使得模型识别更加贴合实际。
2、本专利技术的目的通过以下技术方案实现：
3、第一方面，本专利技术提出一种多源障
4、获取图像数据集；
5、对图像数据集进行预处理，将预处理后的图像数据集分成第一图像数据集、第二图像数据集；
6、将第一图像数据集引入yolov10n网络模型进行训练，并引入第二图像数据集进行障碍物识别率验证；若障碍物识别率低于阈值，则重新获取图像数据集进行模型训练以及验证。
7、通过对图像进行采集，并对图像数据集进行预处理，将预处理后的图像数据集分成第一图像数据集、第二图像数据集，且通过将第一图像数据集引入yolov10n网络模型进行训练，并引入第二图像数据集进行障碍物识别率验证；若障碍物识别率低于阈值，则重新获取图像数据集进行模型训练以及验证；使得本方法能够自动识别障碍物信息，采用yolov10n网络模型，以提升对于障碍物特征识别能力，进一步提升障碍物的识别准确度。
8、在一些实施方式中，yolov10n网络模型包括：
9、对第一图像数据进行特征提取，得到第一特征集；
10、对第一特征集进行多维度变换，输出第二特征集，并输入注意力模型，输出第三特征集；并结合第二特征集、第三特征集，输出多维度的第四特征集；
11、对第二特征集进行上采样并进行多维度连接，并输出第一检测结果；
12、第一检测结果包括第一预警信息。
13、具体的，yolov10n模型包括对特征的提取，多维度的变换，多维度的特征拼接，并输出多维度的特征结果。其中引入注意力模型，可使得特征获取时更加专注于障碍物的所需特征，进而使得障碍物的识别更加准确。
14、在一些实施方式中，注意力模型包括：
15、对第二特征集进行卷积处理；
16、将处理后的第二特征集输入特征专注模型，并由特征专注模型处理得出第五特征集，第五特征集进行卷积拼接后，得出第三特征集。
17、通过设置注意力模型，通过注意力模型提升yolov10n网络模型对于特定位置的信息关注度。
18、在一些实施方式中，特征专注模型包括：
19、对特征多维度池化，得到池化特征；
20、对池化特征进行拼接；
21、通过激活函数和逻辑斯蒂函数，对池化特征进行加权处理，得到加权特征；
22、输出处理后的加权特征。
23、特征专注模型包括对获取的特征进行多维度的池化并进行拼接，通过激活函数和逻辑斯蒂函数对数据进行处理和激活，并实现对多维度池化特征的注意力加权，以提升整体函数对特定位置的注意力。
24、在一些实施方式中，获取多源数据集，包括图像、视频。
25、获取多源数据集，主要是视觉相关的数据集，以对视觉图像中的特征进行提取。
26、在一些实施方式中，对图像数据集进行预处理，并分成第一图像数据集、第二图像数据集；预处理包括：
27、对图像数据集进行去噪、对比度调整、尺寸优化；
28、对图像数据集进行数据增强，包括图像旋转、和/或图像缩放、和/或图像裁剪、和/或图像翻转、和/或图像颜色变换。
29、通过对图像数据进行多维度变换，以提升数据的多样性，同时可结合实际数据进行变化，使得训练的模型更贴近与实际图像。
30、在一些实施方式中，将预处理后的图像数据集分成第一图像数据集、第二图像数据集：
31、将图像数据集分成第一图像数据集、第二图像数据集，第一图像数据集于图像数据集的占比高于第二图像数据集于图像数据集的占比；
32、第一图像集与第二图像集的比值为9:1。
33、将采集的图像分成训练图像、测试图像，数据集的划分应确保训练集和测试集中障碍物的类型、大小、形状和环境条件具有相似的分布，以避免模型训练和测试的偏差。
34、在一些实施方式中，将第一图像数据集引入yolov10n网络模型进行训练，并引入第二图像数据集进行障碍物识别率验证；若障碍物识别率低于阈值，则重新获取图像数据集进行模型训练以及验证；包括：
35、通过第一图像数据集进行yolov10n网络模型训练；
36、将第二图像数据集引入yolov10n网络模型，输出预警信息；
37、判断预警信息的准确率，若准确率大于阈值，则可继续进行数据输入并识别；
38、若准确率低于阈值，则重新获取图像数据，并重新进行模型训练。
39、通过对模型的训练后，输入测试集进行验证，根据模型判断的准确性，以判断模型是否能够满足实际的使用需求。
40、第二方面，本专利技术提出一种障碍物检测装置，包括：
41、图像获取模块，用于获取图像数据集；
42、数据预处理模块，用于对图像数据集进行预处理，将预处理后的图像数据集分成第一图像数据集、第二图像数据集；
43、模型训练模块，用于将第一图像数据集引入yolov10n网络模型进行训练，并引入第二图像数据集进行障碍物识别率验证；若障碍物识别率低于阈值，则重新获取图像数据集进行模型训练以及验证。
44、通过设置图像获取模块、数据预处理模块、模型训练模块，使得障碍物检测装置能够实施第一方面提到的多源障碍物预警识别方法。
45、第三方面，本专利技术提出一种障碍物检测系统，包括处理器、存储器、通信接口、通信总线和采集设备，处理器、存储器集成在系统芯片中，系统芯片、通信接口通过通本文档来自技高网...
【技术保护点】
1.多源障碍物预警识别方法，其特征在于，包括：
2.根据权利要求1所述的多源障碍物预警识别方法，其特征在于，所述YOLOv10n网络模型包括：
3.根据权利要求2所述的多源障碍物预警识别方法，其特征在于，所述注意力模型包括：
4.根据权利要求3所述的多源障碍物预警识别方法，其特征在于，所述特征专注模型包括：
5.根据权利要求1所述的多源障碍物预警识别方法，其特征在于，所述获取图像数据集；包括：
6.根据权利要求1所述的多源障碍物预警识别方法，其特征在于，所述对所述图像数据集进行预处理，并分成第一图像数据集、第二图像数据集；所述预处理包括：
7.根据权利要求6所述的多源障碍物预警识别方法，其特征在于，所述将预处理后的所述图像数据集分成第一图像数据集、第二图像数据集，包括：
8.根据权利要求1所述的多源障碍物预警识别方法，其特征在于，所述将所述第一图像数据集引入YOLOv10n网络模型进行训练，并引入所述第二图像数据集进行障碍物识别率验证；若所述障碍物识别率低于阈值，则重新获取图像数据集进行模型训练以
9.一种障碍物检测装置，其特征在于，包括：
10.一种障碍物检测系统，其特征在于，包括处理器、存储器、通信接口、通信总线和采集设备，所述处理器、所述存储器集成在系统芯片中，所述系统芯片、所述通信接口通过所述通信总线完成相互间的通信；
...【技术特征摘要】
1.多源障碍物预警识别方法，其特征在于，包括：
2.根据权利要求1所述的多源障碍物预警识别方法，其特征在于，所述yolov10n网络模型包括：
3.根据权利要求2所述的多源障碍物预警识别方法，其特征在于，所述注意力模型包括：
4.根据权利要求3所述的多源障碍物预警识别方法，其特征在于，所述特征专注模型包括：
5.根据权利要求1所述的多源障碍物预警识别方法，其特征在于，所述获取图像数据集；包括：
6.根据权利要求1所述的多源障碍物预警识别方法，其特征在于，所述对所述图像数据集进行预处理，并分成第一图像数据集、第二图像数据集；所述预处理包括：
7.根据权利要求...
【专利技术属性】
技术研发人员：李邵珂，杨子腾，钟声明，
申请(专利权)人：伟乐视讯科技股份有限公司，
类型：发明
国别省市：
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。