基于YOLOv5的消毒機(jī)器人目標(biāo)識(shí)別技術(shù)研究

中圖分類號(hào)：R187 文獻(xiàn)標(biāo)志碼：A 文章編號(hào)：2095-2945（2025）13-0029-04

Abstract：Tosolve theproblemsof highcomputationalresources，longprocessng time，andlowrecognitionaccuracyin disinfectionrobottargetrecognitiontechnology，adisinfectionrobottargetrecognitiontechnologybasedonYOLOv5wasproposed. Thistechnologymainlyusesanovelconvolutional neural network（CNN）combinedwithamachinevisionsystem toachieve detection，clasificationndspatialpositionigofthtargetsinhedisifectionarearequiredbythedisinfeionobotough real-simulationexperimentsanddetectionresultanalysisontargetimagesindiferentpublicscenes，thismethodcanffectively realize therecognitionandpositioningof dsinfection targets.TheexperimentalresultsshowthatYOLOv5sandYOLOv5mithe YOLOv5seriesare both excelent pre-training models for targetdetection，andtheirapplicationscenariosare diferent.

Keywords：disinfection robot; target recognition;YOLOv5 algorithm;machine vision；model training

消毒機(jī)器人能夠在無(wú)人值守情況下進(jìn)行高效消毒，減少人為操作風(fēng)險(xiǎn)，是未來(lái)公共衛(wèi)生防控的重要手段。當(dāng)面臨較為復(fù)雜的環(huán)境時(shí)，移動(dòng)機(jī)器人可能無(wú)法快速做出精準(zhǔn)的判斷2。因此，開發(fā)基于先進(jìn)算法如YOLOv5的目標(biāo)識(shí)別技術(shù)，對(duì)提升消毒機(jī)器人精準(zhǔn)度和智能化至關(guān)重要。

1總體設(shè)計(jì)方案

1.1 開發(fā)板選型

地平線旭日 派與樹莓派接口兼容，搭載了地平線新一代的低功耗、高性能AI處理器AMR-Cor-tex-A53，可以提供高達(dá)5TOPS的等效算力[3]。Togeth-erROS是一個(gè)基于ROS2的機(jī)器人開發(fā)架構(gòu)，使得開發(fā)者無(wú)需花費(fèi)大量時(shí)間在模型調(diào)整和數(shù)據(jù)訓(xùn)練上，降低了開發(fā)門檻和成本。推理過程如圖1所示。

1.2 電路模型設(shè)計(jì)

1.3實(shí)驗(yàn)開發(fā)環(huán)境搭建

整個(gè)電路模型整體設(shè)計(jì)如圖2所示。

實(shí)驗(yàn)開發(fā)環(huán)境需要進(jìn)行環(huán)境依賴配置、下載訓(xùn)練

權(quán)重文件和LabelImg資源包以及完成數(shù)據(jù)集標(biāo)注工具的安裝。為了進(jìn)行旭日X3派開發(fā)板的系統(tǒng)開發(fā)，需要下載并完成 x3pi_ubuntu_desktop 系統(tǒng)鏡像的燒錄。

2消毒目標(biāo)樣本圖像處理方法研究

課題研究采用了OpenCV計(jì)算機(jī)視覺處理庫(kù)結(jié)合基于深度學(xué)習(xí)的YOLOv5目標(biāo)檢測(cè)算法，與其他目標(biāo)檢測(cè)算法相比，其具有檢測(cè)速度快、實(shí)時(shí)性高等優(yōu)點(diǎn)，但也有一些缺陷。為了提高識(shí)別率和穩(wěn)定性，研究人員提出了各種基于OpenCV的人臉識(shí)別算法，包括但不限于特征提取、特征匹配和分類器訓(xùn)練等關(guān)鍵步驟

2.1 數(shù)據(jù)增強(qiáng)

HSV通道擾動(dòng)數(shù)據(jù)增強(qiáng)方法是通過改變圖像的參數(shù)實(shí)現(xiàn)的，通過實(shí)驗(yàn)對(duì)比輸入、輸出圖像的顯示結(jié)果如圖3、圖4所示。

2.2自適應(yīng)樣本采集

在模型的訓(xùn)練過程中，只基于某些類別的損失進(jìn)行模型參數(shù)調(diào)整，從而降低檢測(cè)數(shù)量較少的類別的精度。圖5是樣本數(shù)據(jù)集自適應(yīng)采樣結(jié)果。

3基于YOLOv5的消毒機(jī)器人目標(biāo)識(shí)別技術(shù)研究

基于深度學(xué)習(xí)的目標(biāo)檢測(cè)算法采用卷積神經(jīng)網(wǎng)絡(luò)（CNN）學(xué)習(xí)特征，能夠適用于復(fù)雜場(chǎng)景。YOLOv5是一種單階段目標(biāo)檢測(cè)算法，它在多方面進(jìn)行了改進(jìn)，速度和精度都有了極大提升。消毒機(jī)器人自標(biāo)識(shí)別技術(shù)實(shí)現(xiàn)目標(biāo)識(shí)別的原理是利用單目攝像頭獲取目標(biāo)在圖像中的位置信息，然后通過基于深度學(xué)習(xí)的YOLOv5目標(biāo)檢測(cè)算法進(jìn)行目標(biāo)檢測(cè)和分類，最終通過計(jì)算得到特定目標(biāo)在實(shí)際世界中的位置信息。具體的實(shí)現(xiàn)過程如圖6所示。

4消毒機(jī)器人目標(biāo)識(shí)別技術(shù)研究的實(shí)驗(yàn)結(jié)果分析

4.1模型訓(xùn)練結(jié)果分析

在實(shí)驗(yàn)中采用YOLOv5輕量化模型訓(xùn)練樣本數(shù)據(jù)集，在預(yù)處理中增加通道擾動(dòng)并自適應(yīng)裁剪目標(biāo)特征區(qū)域，避免特征丟失。對(duì)樣本進(jìn)行合理迭代訓(xùn)練在避免過擬合的情況下提高精確度和召回率。最優(yōu)模型訓(xùn)練結(jié)果如圖7一圖10所示。

4.2 實(shí)驗(yàn)?zāi)Ｐ蛯?duì)比結(jié)果分析

通過對(duì)比表1和表2中實(shí)驗(yàn)1和實(shí)驗(yàn)2的結(jié)果得知，在原有訓(xùn)練模型的基礎(chǔ)上，采用通道擾動(dòng)的方法進(jìn)行數(shù)據(jù)增強(qiáng)、自適應(yīng)數(shù)據(jù)采集、自主錨框計(jì)算等方法，可以在一定程度上提升模型訓(xùn)練結(jié)果的精準(zhǔn)度、回歸率和置信度。

通過對(duì)比實(shí)驗(yàn)4、實(shí)驗(yàn)5和實(shí)驗(yàn)6的結(jié)果得知，適度增大批量大小能提升GPU利用率和并行化效率，加速處理。

對(duì)比實(shí)驗(yàn)3和實(shí)驗(yàn)7、實(shí)驗(yàn)4和實(shí)驗(yàn)8可知，錨框的設(shè)置可以在一定程度上影響訓(xùn)練模型的召回率和精度，這主要是因?yàn)殄^框的設(shè)置會(huì)在一定程度上影響特征提取的范圍。

通過對(duì)比實(shí)驗(yàn)3和實(shí)驗(yàn)4，實(shí)驗(yàn)7和實(shí)驗(yàn)8的結(jié)果得知，適當(dāng)增加訓(xùn)練輪數(shù)可以提高訓(xùn)練模型的精確度，這是因?yàn)槊吭黾右粋€(gè)訓(xùn)練輪數(shù)，神經(jīng)網(wǎng)絡(luò)的權(quán)重就會(huì)更新一次。

通過對(duì)比實(shí)驗(yàn)3和實(shí)驗(yàn)9、實(shí)驗(yàn)4和實(shí)驗(yàn)10的結(jié)果，我們可以發(fā)現(xiàn)使用預(yù)先計(jì)算錨框的方法在目標(biāo)檢測(cè)準(zhǔn)確性上略低于YOLOv5自適應(yīng)錨框，但顯著減少訓(xùn)練時(shí)間。

如圖11所示，針對(duì)同一圖像的目標(biāo)識(shí)別任務(wù)，YOLOv5s檢測(cè)速度快，適合大量圖像且精度要求不高的場(chǎng)景，但可能漏檢或誤檢； Υ 0 L O v5 m 精度更高，但實(shí)時(shí)性差且需更多硬件。

本文結(jié)合了消毒機(jī)器人目標(biāo)識(shí)別的實(shí)際需求和條件，綜合考慮其準(zhǔn)確性、效率和資源消耗等因素，采用 Y O L O v5 s+ 模型可以實(shí)現(xiàn)最佳的檢測(cè)效果，消毒目標(biāo)識(shí)別部分結(jié)果如圖12所示。

5 結(jié)論

實(shí)驗(yàn)結(jié)果表明，該技術(shù)通過調(diào)整相關(guān)模型訓(xùn)練參數(shù)、自適應(yīng)樣本采集、數(shù)據(jù)增強(qiáng)等方法使得消毒機(jī)器人目標(biāo)識(shí)別技術(shù)在特定場(chǎng)景下的目標(biāo)檢測(cè)模型平均精確度達(dá)到 9 9 % 以上，識(shí)別速度和準(zhǔn)確率提高 2 0 % 左右，識(shí)別準(zhǔn)確度達(dá)到 8 0 % 以上。基于YOLOv5的消毒機(jī)器人目標(biāo)識(shí)別技術(shù)可以在消毒機(jī)器人領(lǐng)域得到廣泛應(yīng)用。

參考文獻(xiàn)：

[1]趙景平，肖紅.消毒機(jī)器人在應(yīng)對(duì)不明疫情中的應(yīng)用[A].第十六屆中國(guó)科學(xué)家論壇優(yōu)秀論文集[C].中國(guó)高科技產(chǎn)業(yè)化研究會(huì)，2019：1.

[2]Amitava C.Vision Based Autonomous Robot Navigation[M].連曉峰，譯.北京：機(jī)械工業(yè)出版社，2014.

[3]電子發(fā)燒友網(wǎng).地平線面向AIoT推出旭日系列邊緣AI芯片[EB/OL].https：//www.elecfans.com/d/1716706.html.

[4]張文瀚.基于深度學(xué)習(xí)YOLOv5的目標(biāo)檢測(cè)改進(jìn)算法研究[D]哈爾濱：哈爾濱理工大學(xué)，2023.

[5]何祥芝，涂海寧，劉建勝.基于OpenCV的人臉黑頭識(shí)別算法[J].南昌大學(xué)學(xué)報(bào)（工科版），2024，46（1）：111-116.

[6]彭成，張喬虹，唐朝暉，等.基于YOLOv5增強(qiáng)模型的口罩佩戴檢測(cè)方法研究[J].計(jì)算機(jī)工程，2022，48（4）：39-49.

[7]呂璐，程虎，朱鴻泰，等.基于深度學(xué)習(xí)的目標(biāo)檢測(cè)研究與應(yīng)用綜述[J].電子與封裝，2022，22（1）：72-80.

[8]何斌，張亦博，龔健林，等.基于改進(jìn)YOLOv5的夜間溫室番茄果實(shí)快速識(shí)別[J].農(nóng)業(yè)機(jī)械學(xué)報(bào)，2022，53（5）：201-208.