基于深度學(xué)習(xí)的陪護(hù)機(jī)器人目標(biāo)檢測方法

汪振耀，張禮華，鄭儉

（江蘇科技大學(xué)長山校區(qū) 機(jī)械工程學(xué)院，江蘇 鎮(zhèn)江 212100）

0 引言

近年來，我國人口老齡化問題嚴(yán)重，越來越多的老人得不到充分的陪護(hù)和照顧，急需設(shè)計(jì)一款更加智能的陪護(hù)機(jī)器人，而陪護(hù)機(jī)器人的設(shè)計(jì)自然離不開目標(biāo)檢測算法，可以有效識(shí)別復(fù)雜家庭環(huán)境下物體的目標(biāo)檢測算法便成為本文的研究對象。文獻(xiàn)[1]針對目標(biāo)檢測中小目標(biāo)誤檢、漏檢等問題，提出一種基于改進(jìn)的YOLO-S 模型。文獻(xiàn)[2]研究了基于RGB 圖像的物體檢測算法，解決了未知場景中被部分遮擋或完全遮擋目標(biāo)物體的檢測問題。文獻(xiàn)[3]提出一種改進(jìn)的YOLOv4網(wǎng)絡(luò)，提升了對小目標(biāo)物體檢測的精度。

現(xiàn)有的研究大多是針對工業(yè)機(jī)器人領(lǐng)域的物體檢測及抓取，然而，工業(yè)領(lǐng)域基本是在簡單、整齊的環(huán)境下進(jìn)行單一的檢測識(shí)別工作。針對家庭領(lǐng)域的研究較少，在復(fù)雜的生活環(huán)境下，物品的種類繁多，它們形狀各異，大小不一，容易被遮擋，檢測的難度較高；檢測過程中部分小目標(biāo)物體因在攝像頭中的尺寸過小，容易出現(xiàn)錯(cuò)檢、漏檢的情況。

基于以上背景，本文提出一種基于深度學(xué)習(xí)的陪護(hù)機(jī)器人目標(biāo)檢測方法，其主要內(nèi)容如下：

1）該方法將改進(jìn)的生成對抗網(wǎng)絡(luò)（WGAN）與改進(jìn)YOLOv5s 網(wǎng)絡(luò)結(jié)合，首先，對WGAN 網(wǎng)絡(luò)進(jìn)行改進(jìn)，在原生成器模塊損失函數(shù)上增加衰減因子和校正模塊損失項(xiàng)，平衡模型的復(fù)雜程度和泛化能力；將激活函數(shù)改為FReLU 激活函數(shù)，減少了網(wǎng)絡(luò)的參數(shù)量，增強(qiáng)了WGAN 生成對抗網(wǎng)絡(luò)的生成能力，為后續(xù)YOLOv5s 網(wǎng)絡(luò)訓(xùn)練準(zhǔn)備了足夠的數(shù)據(jù)集，提升網(wǎng)絡(luò)的魯棒性。

2）對YOLOv5s 網(wǎng)絡(luò)進(jìn)行改進(jìn)，其中輸入端采用Gridmask 數(shù)據(jù)增強(qiáng)方式；Backbone 部分將C3 模塊改為C2f模塊，并在C2f模塊中加入SE 注意力機(jī)制模塊，減少了網(wǎng)絡(luò)參數(shù)量的同時(shí)增加了網(wǎng)絡(luò)的特征提取能力；特征提取部分融合長短時(shí)記憶網(wǎng)絡(luò)（LSTM），可以獲得更多的上下文信息，提高網(wǎng)絡(luò)的檢測精度；最后對損失函數(shù)進(jìn)行優(yōu)化，加快模型的收斂速度，使得網(wǎng)絡(luò)訓(xùn)練更快地得到最優(yōu)的預(yù)測參數(shù)模型。

1 理論基礎(chǔ)

1.1 WGAN 網(wǎng)絡(luò)

1.1.1 GAN網(wǎng)絡(luò)以及WGAN 網(wǎng)絡(luò)

生成對抗網(wǎng)絡(luò)（GAN）[4]是一種半監(jiān)督學(xué)習(xí)網(wǎng)絡(luò)，由生成器模塊和判別器模塊組成，網(wǎng)絡(luò)模型如圖1 所示。具體地，輸入噪聲向量z，經(jīng)過生成器模塊(G)，通過生成網(wǎng)絡(luò)的卷積網(wǎng)絡(luò)提取噪聲向量的特征，再由反卷積網(wǎng)絡(luò)生成一批假數(shù)據(jù)G(z)，與從數(shù)據(jù)集中提取的真實(shí)圖(X)一起進(jìn)入判別器網(wǎng)(D)，判別器會(huì)將真實(shí)數(shù)據(jù)和假數(shù)據(jù)區(qū)分開來，只要判別結(jié)果是數(shù)據(jù)不全為真，便會(huì)給生成器模塊(G)一個(gè)懲罰，使得生成器模塊向著生成真數(shù)據(jù)的方向發(fā)展，直到能夠騙過判別器網(wǎng)絡(luò)。

圖1 GAN 網(wǎng)絡(luò)結(jié)構(gòu)圖

GAN 網(wǎng)絡(luò)在訓(xùn)練過程中容易出現(xiàn)梯度爆炸，網(wǎng)絡(luò)崩潰的情況，WGAN 網(wǎng)絡(luò)在原始GAN 網(wǎng)絡(luò)的基礎(chǔ)上做了一些改進(jìn)，使用推土距離Wasserstein distance 代替了JS 散度，解決了當(dāng)兩個(gè)數(shù)據(jù)不重合時(shí)，JS 散度不變的問題，使得生成器(G)向著生成真實(shí)圖像的方向發(fā)展，生成更加逼真的圖像，其中生成器的優(yōu)化函數(shù)和判別器的優(yōu)化函數(shù)分別為式（1）和式（2）：

1.1.2 FReLU 激活函數(shù)

如圖2 所示，可以看出FReLU（Funnel ReLU，漏斗式ReLU）與ReLU 的區(qū)別，F(xiàn)ReLU 將ReLU 擴(kuò)展成2D 激活函數(shù)，F(xiàn)ReLU 通過在激活函數(shù)中使用2D 漏斗式條件可以將ReLU 擴(kuò)展到具有像素級建模能力的可視參數(shù)激活函數(shù)，F(xiàn)ReLU 有兩個(gè)核心組件：漏斗式條件+像素級別建模能力，F(xiàn)ReLU 也是采樣相同的max（）作為簡單的非線性函數(shù)[5]。對于條件部分，如式（3）、式（4）所示：

圖2 FReLU 與ReLU 對比圖

式中：T(xc,i,j)就是定義的漏斗條件；表示在第c個(gè)通道上，以2D 位置（i,j）為中心的窗口，也就是圖2b）的灰色框口表示此窗口在同一通道中共享的參數(shù)[5]。

1.2 YOLOv5s 網(wǎng)絡(luò)

YOLOv5s 網(wǎng)絡(luò)主要包括輸入端、主干、頸部、輸出端四部分[6]。

數(shù)據(jù)集通過輸入端進(jìn)入網(wǎng)絡(luò)，并通過將數(shù)據(jù)集中的每4 張圖片隨機(jī)裁剪、縮放拼接在一起形成一張新的圖片，豐富數(shù)據(jù)集的種類、數(shù)量；Anchor 方面，YOLOv5s 使用自適應(yīng)瞄框，在處理數(shù)據(jù)集的過程中，根據(jù)不同的數(shù)據(jù)集的特征可以計(jì)算出與之對應(yīng)的瞄框；主干網(wǎng)絡(luò)使用Focus 模塊實(shí)現(xiàn)快速下采樣，還使用了C3 模塊，增強(qiáng)算法的學(xué)習(xí)能力；Neck 部分使用FPN 和PAN 結(jié)合的結(jié)構(gòu)，從不同的主干層對不同的檢測層進(jìn)行參數(shù)聚合，大大加強(qiáng)了網(wǎng)絡(luò)的特征融合能力；輸出端使用CIOU_Loss 作為損失函數(shù)，其考慮到檢測過程中被遮擋的物體，在很大程度上提升了檢測的速度和精度；檢測層使用Sigmoid激活函數(shù)，增強(qiáng)網(wǎng)絡(luò)的非線性建模能力，使網(wǎng)絡(luò)更加穩(wěn)定。

1.2.1 SE 注意力機(jī)制模塊

SE 壓縮激勵(lì)模塊可以提升網(wǎng)絡(luò)的特征提取能力，第一步進(jìn)行的是壓縮操作，如圖3 所示。將輸入的寬為W、高為H、通道數(shù)為C的特征圖進(jìn)行全局平均池化操作，然后輸入一個(gè)寬、高都為1，通道數(shù)為C的向量；接下來經(jīng)過激勵(lì)操作，輸入上一步壓縮操作的結(jié)果，經(jīng)過第一個(gè)全連接層，降低網(wǎng)絡(luò)的參數(shù)量，接著通過激活函數(shù)層，再次經(jīng)過一個(gè)全連接層和一個(gè)激活函數(shù)層，輸出一 個(gè)1 × 1 ×C的向量；最后 是scale 操作，在得到1 ×1 ×C向量之后，可以得到每個(gè)通道的值以及它們的權(quán)重，再將它們相乘，就是通道權(quán)重相乘，計(jì)算公式如下：

圖3 SE 注意力機(jī)制模塊

1.2.2 C3 模塊和C2f模塊

C3[7]是YOLOv5s 網(wǎng)絡(luò)的重要組成部分，主要由Conv層、Bottleneck 層和Concat 層組成，采用了ResNet 的基本思想，對輸入的特征圖進(jìn)行卷積操作，使用add 進(jìn)行特征融合，通過增加步長來增強(qiáng)網(wǎng)絡(luò)的感受野，增加網(wǎng)絡(luò)對特征的敏感度。而C2f模塊在C3模塊的基礎(chǔ)上減少了一個(gè)Conv層，增加了1 個(gè)Split 層和n-1 個(gè)Bottleneck層，減少了網(wǎng)絡(luò)的參數(shù)量，同時(shí)增加了網(wǎng)絡(luò)的特征提取能力。

本研究在C2f 模塊之后加入了SE 注意力機(jī)制模塊。稱為C2fSE 模塊。

1.2.3 骰子系數(shù)

骰子系數(shù)（Dice Coefficient,DC）是一種常用與度量兩個(gè)集合相似程度的指標(biāo)，骰子系數(shù)定義為它們的交集的大小與它們的并集的大小之比。數(shù)學(xué)表達(dá)式如下：

當(dāng)骰子系數(shù)越接近1時(shí)，損失函數(shù)值趨于0，此時(shí)模型的檢測性能好，骰子系數(shù)損失公式如下：

式中：|A|表示集合A的元素個(gè)數(shù)；|B|表示集合B的元素個(gè)數(shù)；|A∩B|表示集合A和集合B交集的元素個(gè)數(shù)。

1.3 LSTM 網(wǎng)絡(luò)結(jié)構(gòu)

循環(huán)神經(jīng)網(wǎng)絡(luò)[8]（Recurrent Neural Network,RNN）是一種用來處理序列數(shù)據(jù)的傳統(tǒng)神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，在網(wǎng)絡(luò)訓(xùn)練的過程中容易產(chǎn)生梯度衰減和梯度爆炸的問題。為了克服這些問題，這里引入RNN 的一種變體長短時(shí)記憶網(wǎng)絡(luò)（Long Short Term Memory Network,LSTM）。

LSTM 通過引入特殊的“門”結(jié)構(gòu)來控制信息的流動(dòng)和保持長期記憶，門單元控制著數(shù)據(jù)的輸入或輸出，決定著信息的更新迭代。如圖4 所示，一個(gè)LSTM 網(wǎng)絡(luò)包含輸入門、遺忘門、輸出門以及候選記憶單元。這樣的網(wǎng)絡(luò)十分適合序列數(shù)據(jù)處理問題。

圖4 LSTM 網(wǎng)絡(luò)結(jié)構(gòu)圖

2 基于深度學(xué)習(xí)的陪護(hù)機(jī)器人目標(biāo)檢測方法

陪護(hù)機(jī)器人在復(fù)雜的生活環(huán)境中工作，常常因?yàn)槟繕?biāo)物體的尺寸過小導(dǎo)致錯(cuò)檢或漏檢的情況，造成檢測精度過低的問題，對此本文提出一種基于深度學(xué)習(xí)的陪護(hù)機(jī)器人目標(biāo)檢測方法，利用改進(jìn)的WGAN 生成對抗網(wǎng)絡(luò)生成圖像擴(kuò)展數(shù)據(jù)集，為后續(xù)的YOLOv5s 訓(xùn)練奠定基礎(chǔ)，提升了網(wǎng)絡(luò)的泛化性。改進(jìn)YOLOv5s 網(wǎng)絡(luò)的結(jié)構(gòu)并與LSTM 網(wǎng)絡(luò)相融合，提升網(wǎng)絡(luò)的特征提取能力，以完成高精度的檢測任務(wù)。

2.1 改進(jìn)WGAN 網(wǎng)絡(luò)結(jié)構(gòu)

借鑒WGAN 損失函數(shù)，在原生成器模塊損失函數(shù)上增加衰減因子和校正模塊損失項(xiàng)，平衡模型的復(fù)雜程度和泛化能力，函數(shù)表達(dá)式如公式（8）所示：

式中：Ex表示數(shù)學(xué)期望；PC和Pr分別表示取生成樣本和真實(shí)樣本；λ和μ分別表示損失項(xiàng)系數(shù)和校正模塊損失項(xiàng)系數(shù)。

校正模塊損失函數(shù)如式（9）所示：

針對原始WGAN 網(wǎng)絡(luò)容易產(chǎn)生梯度消失的問題，提出了用FReLU 替代網(wǎng)絡(luò)中的ReLU、Leaky ReLU、Tanh 等激活函數(shù)，解決了原始WGAN 網(wǎng)絡(luò)中激活函數(shù)在空間上敏感度低的問題，具體網(wǎng)絡(luò)結(jié)構(gòu)如圖5 所示。

圖5 改進(jìn)的WGAN 網(wǎng)絡(luò)結(jié)構(gòu)圖

2.2 改進(jìn)YOLOv5s 網(wǎng)絡(luò)結(jié)構(gòu)

YOLOv5s 網(wǎng)絡(luò)輸入端采用Gridmask 數(shù)據(jù)增強(qiáng)技術(shù)，通過對圖像的部分區(qū)域進(jìn)行規(guī)則化的遮擋處理，增加網(wǎng)絡(luò)對遮擋、變形、背景干擾的魯棒性，提升檢測模型對于復(fù)雜場景和遮擋情況下的識(shí)別能力。

Backbone 部分采用C2f 模塊替代C3 模塊，并在C2f模塊中加入SE 注意力機(jī)制模塊，減少網(wǎng)絡(luò)參數(shù)量的同時(shí)，提升網(wǎng)絡(luò)的特征提取能力；將LSTM 網(wǎng)絡(luò)與YOLOv5s 網(wǎng)絡(luò)相結(jié)合，YOLOv5s 網(wǎng)絡(luò)經(jīng)過特征提取層提取特征后，將提取到的特征圖作為LSTM 網(wǎng)絡(luò)的輸入，這樣，LSTM 可以在每個(gè)時(shí)間步驟上接收到特征圖，并根據(jù)之前的特征和當(dāng)前時(shí)間步驟的特征來學(xué)習(xí)特征之間的時(shí)序關(guān)系；通過在LSTM 中引入歷史序列數(shù)據(jù)，例如前幾幀的特征圖，可以提供更多的上下文信息，從而提高目標(biāo)檢測的準(zhǔn)確性。改進(jìn)以后的網(wǎng)絡(luò)結(jié)構(gòu)如圖6所示。

圖6 本文模型網(wǎng)絡(luò)結(jié)構(gòu)圖

YOLOv5s 網(wǎng)絡(luò)損失函數(shù)采用位置損失、置信度損失以及類別損失的加權(quán)和作為總的損失函數(shù)，這里本文將骰子系數(shù)損失加入總的損失函數(shù)，此時(shí)總的損失函數(shù)公式如下：

式中：Lossbox為邊界框損失函數(shù)；Losscls為類別損失函數(shù)；Lossobj為置信度損失；LossDC為骰子系數(shù)損失；hgt、wgt分別表示真值框高寬；h、w分別表示預(yù)測框高寬；平衡比例的參數(shù)計(jì)算公式記為α；描述預(yù)測框和真值框長寬比一致性的參數(shù)記為v；a、b、c、d分別為它們的權(quán)重系數(shù)。

3 實(shí)驗(yàn)與結(jié)果分析

3.1 WGAN 圖像生成實(shí)驗(yàn)

3.1.1 實(shí)驗(yàn)數(shù)據(jù)

目前，在家庭陪護(hù)方面還沒有合適的公共數(shù)據(jù)集，因此將構(gòu)建自己的公共生活目標(biāo)數(shù)據(jù)集。首先采集陪護(hù)機(jī)器人需要識(shí)別一些物體的圖像，分別采集了生活中常見的8 種對象來構(gòu)建數(shù)據(jù)集，8 類物品的英文標(biāo)簽分別為cup（水杯）、orange（橙子）、box（藥盒）、bowl（碗）、medicine bottle（藥瓶）、banana（香蕉）、towel（毛巾）、apple（蘋果），滿足日常的陪護(hù)需要。

3.1.2 參數(shù)設(shè)置

本實(shí)驗(yàn)主要為了驗(yàn)證WGAN 網(wǎng)絡(luò)的圖像生成效果，實(shí)驗(yàn)在GPU 環(huán)境下運(yùn)行，并在Pycharm 中搭建pytorch 環(huán)境。參數(shù)設(shè)置如表1 所示。

表1 參數(shù)配置

3.1.3 實(shí)驗(yàn)結(jié)果

本文需要的數(shù)據(jù)集種類不單一，本實(shí)驗(yàn)選用其中的香蕉（banana）數(shù)據(jù)集，運(yùn)用改進(jìn)后的WGAN 網(wǎng)絡(luò)進(jìn)行訓(xùn)練，生成香蕉圖像。從圖7 可以看出，隨著迭代次數(shù)的增加，從一開始的噪聲向量逐漸訓(xùn)練，最終形成了清晰的香蕉圖像，實(shí)驗(yàn)表明，改進(jìn)后的WGAN 網(wǎng)絡(luò)可以起到擴(kuò)充數(shù)據(jù)集，提高數(shù)據(jù)集豐富性、泛化性的作用。

圖7 WGAN 生成圖

除了訓(xùn)練生成的圖像以外，還可以通過觀察訓(xùn)練過程中的損失函數(shù)曲線去監(jiān)控網(wǎng)絡(luò)的訓(xùn)練過程。如圖8所示，可以看出當(dāng)?shù)螖?shù)到達(dá)300 左右，損失幅度逐漸變小，生成器的損失函數(shù)在-0.5～-0.2 之間徘徊，鑒別器損失函數(shù)在-0.7～-0.3 之間上下浮動(dòng)，生成的圖像質(zhì)量也在逐步提高，隨著訓(xùn)練的進(jìn)行，損失函數(shù)曲線逐漸趨于穩(wěn)定，鑒別器已經(jīng)分辯不出圖像的真假，模型逐漸收斂。

圖8 WGAN 網(wǎng)絡(luò)損失函數(shù)圖

通過改進(jìn)WGAN 網(wǎng)絡(luò)生成圖像，對數(shù)據(jù)集進(jìn)行擴(kuò)充，豐富訓(xùn)練數(shù)據(jù)集的多樣性，為后續(xù)的YOLOv5s 網(wǎng)絡(luò)訓(xùn)練奠定了基礎(chǔ)。

3.2 改進(jìn)YOLOv5s 網(wǎng)絡(luò)實(shí)驗(yàn)及結(jié)果分析

3.2.1 數(shù)據(jù)集的構(gòu)建

將收集的物體圖像以及WGAN 生成對抗網(wǎng)絡(luò)生成的圖像，運(yùn)用軟件labelimg 對圖片進(jìn)行依次打標(biāo)簽，如圖9 所示，然后將標(biāo)記過的圖片保存在同一個(gè)文件夾，每一張圖片對應(yīng)一個(gè)與它同名的xml文獻(xiàn)件，需要將生成好的xml文獻(xiàn)件轉(zhuǎn)化為與之相對應(yīng)的txt文獻(xiàn)件，標(biāo)注完成后，每一張圖片都對應(yīng)著一個(gè)與該圖片名稱相同的txt文件，最后進(jìn)行圖片和標(biāo)簽的整理工作，成功創(chuàng)建本文生活物品的數(shù)據(jù)集。

圖9 Labelimg 標(biāo)注

3.2.2 實(shí)驗(yàn)配置及評估指標(biāo)

本實(shí)驗(yàn)主要是為了驗(yàn)證改進(jìn)后的YOLOv5s 網(wǎng)絡(luò)對目標(biāo)檢測的效果，實(shí)驗(yàn)環(huán)境見表2。

表2 環(huán)境配置

本文采用精度（P）、召回率（R）、多個(gè)類別平均精度的平均值（mAP）幾項(xiàng)性能指標(biāo)評判算法的性能[9]，如公式（11）所示：

式中：TP 表示被正確檢測出的目標(biāo)數(shù)；FP 表示檢測錯(cuò)誤的目標(biāo)數(shù)；FN 表示未被檢測出來的目標(biāo)數(shù)；n表示共需要分類的類別數(shù)；AP 表示某個(gè)目標(biāo)類的平均精度。一般情況下，P-R曲線與x、y軸所包圍的面積即為AP值，所有類別AP 值的平均值即為mAP值，mAP 值越大，表示算法的檢測效果越好，檢測的準(zhǔn)確率更高。

設(shè)置訓(xùn)練次數(shù)為400，訓(xùn)練的Loss曲線如圖10所示，當(dāng)?shù)螖?shù)達(dá)到320時(shí)，YOLOv5s 模型與本文模型開始收斂。

圖10 Loss 曲線圖

3.2.3 數(shù)據(jù)增強(qiáng)對比實(shí)驗(yàn)

為了驗(yàn)證改進(jìn)WGAN 網(wǎng)絡(luò)數(shù)據(jù)增強(qiáng)在YOLOv5s 網(wǎng)絡(luò)上的效果，進(jìn)行了數(shù)據(jù)增強(qiáng)對比實(shí)驗(yàn)。圖11 顯示了數(shù)據(jù)增強(qiáng)前后YOLOv5s 網(wǎng)絡(luò)的檢測精度，可以看出，使用改進(jìn)WGAN 網(wǎng)絡(luò)數(shù)據(jù)增強(qiáng)后，mAP 提高了14%，證明了使用WGAN 網(wǎng)絡(luò)數(shù)據(jù)增強(qiáng)可以提高YOLOv5s 網(wǎng)絡(luò)的檢測效果。

圖11 P-R 曲線對比圖

3.2.4 消融實(shí)驗(yàn)

為了驗(yàn)證本文所提出的改進(jìn)算法對生活物品的檢測性能是否有效，設(shè)計(jì)了一組消融實(shí)驗(yàn)，通過組合上述所提及改換Gridmask、修改C2fSE 模塊、融合LSTM 網(wǎng)絡(luò)、優(yōu)化損失函數(shù)來驗(yàn)證不同模型的性能好壞。具體實(shí)驗(yàn)性能見表3。

表3 消融實(shí)驗(yàn)數(shù)據(jù)

從表3 中可以看出，僅改變數(shù)據(jù)增強(qiáng)方式時(shí)，檢測的精度和召回率有所下降，mAP 有所提升；僅修改C2f模塊并加入SE 注意力機(jī)制模塊時(shí)，檢測精度和召回率有所下降，mAP 有所提升；僅加入LSTM 長短時(shí)記憶模塊時(shí)，檢測精度以及mAP 有所提升，召回率有所下降；僅優(yōu)化損失函數(shù)時(shí)，檢測精度以及mAP 有所提升，召回率有所下降；當(dāng)所有的模塊一起整合后，與YOLOv5s 原始模型相比，檢測精度、召回率、mAP 分別提高了6.8%、4.6%、8.3%，提升效果比較明顯。綜上所述，本文所提改進(jìn)算法對于網(wǎng)絡(luò)檢測效果有明顯的提升，能夠適用于陪護(hù)機(jī)器人日常的檢測抓取工作。

3.2.5 檢測效果對比

為了更直觀地體現(xiàn)本文算法的優(yōu)越性，從驗(yàn)證集中隨機(jī)選擇兩張圖片分別用原始YOLOv5s 模型和本文算法進(jìn)行檢測，結(jié)果如圖12 所示，可以看出對于無遮擋的大目標(biāo)物體，原始YOLOv5s 和本文算法均可以檢測出，但本文算法的置信度更高一點(diǎn)；對于有遮擋的小目標(biāo)，原YOLOv5s 模型的漏檢率較高，并且置信度較低，而本文算法無漏檢、錯(cuò)檢，且置信度都在0.95 以上。綜上所述，本文改進(jìn)模型對于陪護(hù)機(jī)器人的小目標(biāo)檢測，以及有遮擋的目標(biāo)檢測都有較好的檢測效果。

圖12 測試結(jié)果對比

3.2.6 目標(biāo)檢測算法對比

為進(jìn)一步驗(yàn)證本文算法的有效性，將本文算法與現(xiàn)階段主流算法在同一驗(yàn)證集上進(jìn)行實(shí)驗(yàn)，結(jié)果如表4所示。

表4 不同檢測算法結(jié)果對比 %

從表4 中數(shù)據(jù)可以看出，本文改進(jìn)后的算法在P、R和mAP 上都高于其他檢測算法，表明本文構(gòu)建的改進(jìn)后的算法要優(yōu)于其他算法，驗(yàn)證了本文算法的有效性。

4 結(jié)論

本文從陪護(hù)機(jī)器人目標(biāo)檢測問題出發(fā)，提出了一種基于深度學(xué)習(xí)的陪護(hù)機(jī)器人目標(biāo)檢測方法，成功解決了陪護(hù)機(jī)器人檢測過程中的錯(cuò)檢、漏檢、檢測精度低的問題。首先，構(gòu)建了生活物品數(shù)據(jù)集，滿足了日常的陪護(hù)需求；其次，利用改進(jìn)WGAN 網(wǎng)絡(luò)生成高質(zhì)量的圖片，豐富數(shù)據(jù)集多樣性，提升網(wǎng)絡(luò)的泛化性，為后續(xù)YOLOv5s 訓(xùn)練奠定基礎(chǔ)；然后，對原YOLOv5s 的網(wǎng)絡(luò)架構(gòu)進(jìn)行改進(jìn)以及損失函數(shù)進(jìn)行優(yōu)化，提升網(wǎng)絡(luò)的特征提取能力，并將LSTM 融入到Y(jié)OLOv5s 模型中，可以獲得更多的上下文信息，從而提高目標(biāo)檢測的準(zhǔn)確性；最后，將骰子系數(shù)加入總的損失函數(shù)，以加快模型的收斂。

實(shí)驗(yàn)結(jié)果表明，改進(jìn)后的算法在自制驗(yàn)證集上的檢測精度、召回率、mAP 分別提高了6.8%、4.6%、8.3%，在家庭常見小目標(biāo)物體和部分遮擋物體檢測精度、漏檢等方面都有所提升，適用于家用陪護(hù)機(jī)器人的目標(biāo)檢測工作。

注：本文通訊作者為張禮華。