改進(jìn)YOLOV5模型的智能鋸樹機(jī)器人系統(tǒng)設(shè)計(jì)

摘 要：針對(duì)在鋸樹工程測(cè)量中遇到的環(huán)境復(fù)雜，耗時(shí)費(fèi)力且效率不高等測(cè)量問題，設(shè)計(jì)了一種改進(jìn)的深度學(xué)習(xí)算法（You Only Look Once， YOLO）模型的智能鋸樹機(jī)器人系統(tǒng)。通過無線傳感網(wǎng)絡(luò)，構(gòu)建了無線傳感器鋸樹工程測(cè)量拓?fù)浣Y(jié)構(gòu)，實(shí)現(xiàn)鋸樹工程測(cè)量供配電系統(tǒng)全方位數(shù)據(jù)監(jiān)測(cè)；建立窄帶物聯(lián)網(wǎng)（Narrow Band Internet Of Things，NB IOT）分布式結(jié)構(gòu)，提出采用改進(jìn)YOLOV5算法對(duì)障礙物識(shí)別，使用超聲波傳感器和實(shí)驗(yàn)室虛擬儀器集成環(huán)境（Laboratory Virtual Instrument Engineering Workbench，LabVIEW）以及攝像機(jī)完成機(jī)器人的自主越障仿真操作，大大提高智能鋸樹機(jī)器人通信能力和計(jì)算能力。實(shí)驗(yàn)結(jié)果表明，改進(jìn)后的YOLOV5算法模型在經(jīng)過50000次迭代后，其準(zhǔn)確率較改進(jìn)前增加了9個(gè)百分點(diǎn)，召回率較改進(jìn)前增加了8個(gè)百分點(diǎn)，在近距離障礙物識(shí)別上，準(zhǔn)確率可達(dá)97.15%，且距離越近，其障礙物識(shí)別效果和自主越障效果越好。

關(guān)鍵詞：智能鋸樹機(jī)器人；YOLOV5；超聲波傳感器；NB IOT；CSMA；障礙物

中圖分類號(hào)：TP39文獻(xiàn)標(biāo)識(shí)碼：A

Improved Design of Intelligent Sawing Robot System

Based on YOLOV5 Model

YIN Honghai，HE Lv，WANG Dahai

（Changzhou Jinling Electric Power IndustryCo.， Ltd.， Changzhou ，Jiangsu 213000， China）

Abstract：In view of the complex environment， time consuming and inefficient measurement problems encountered in sawing engineering measurement， this paper designs an intelligent sawing robot system based on an improved deep learning algorithm （You Only Look Once， YOLO） model. Through wireless sensor network， the wireless sensor sawing engineering measurement topology is constructed to realize the comprehensive data monitoring of power supply and distribution system of sawing engineering measurement. The narrow band internet of things （NB IOT） distributed structure is established， and the improved YOLOV5 algorithm is proposed to identify obstacles. Ultrasonic sensors， laboratory virtual instrument engineering workbench （LabVIEW） and cameras are used to complete the autonomous obstacle crossing simulation operation of the robot. Greatly improve the communication ability and computing power of intelligent sawing robot. The experimental results show that after 50，000 iterations of the improved YOLOV5 algorithm model， its accuracy rate has increased by 9 percentage points and the recall rate has increased by 8 percentage points compared with that before the improvement. In the short distance obstacle recognition， the accuracy rate can reach 97.15%， and the closer the distance， the better the obstacle recognition effect and autonomous obstacle clearing effect.

Key words： intelligent tree sawing robot; YOLOV5; ultrasonic sensor; NB IOT; CSMA; obstacles

在農(nóng)業(yè)和林業(yè)領(lǐng)域，由于環(huán)境復(fù)雜性和任務(wù)的特殊性，傳統(tǒng)的機(jī)器人技術(shù)往往無法滿足需求[1-2]。特別是在樹木鋸除領(lǐng)域，由于樹木的不規(guī)則形狀和復(fù)雜的生長(zhǎng)環(huán)境，傳統(tǒng)的機(jī)器人很難進(jìn)行精確的操作和移動(dòng)。

文獻(xiàn)[3]提出使用YOLOV3算法識(shí)別障礙物，通過對(duì)目標(biāo)物和障礙物進(jìn)行分類、存放和編號(hào)，可有效檢測(cè)出障礙物和目標(biāo)物的類別及實(shí)際位置，且識(shí)別準(zhǔn)確率高。但未涉及對(duì)障礙物的跨越，且所需數(shù)據(jù)量和算力較大。文獻(xiàn)[4]提出改進(jìn)人工勢(shì)場(chǎng)法實(shí)現(xiàn)自動(dòng)避障，通過構(gòu)建被控對(duì)象模型，分析避障運(yùn)動(dòng)學(xué)，獲取環(huán)境參數(shù)，實(shí)現(xiàn)對(duì)環(huán)境的建模，從而實(shí)現(xiàn)對(duì)自動(dòng)避障軌跡的規(guī)劃，但該方法不適用于環(huán)境復(fù)雜的避障。文獻(xiàn)[5]提出一種基于YOLOV5的路面障礙物檢測(cè)與測(cè)距算法研究，通過將通道注意力（Channel Attention，CA）與高效通道注意力（Efficient Channel Attention，ECA）分別添加到Y(jié)OLOV5的主干上進(jìn)行算法的改進(jìn)，采用單目攝像頭測(cè)量目標(biāo)障礙物距離，從而實(shí)現(xiàn)對(duì)路面障礙物的檢測(cè)。該方法雖然能提高YOLOV5算法的檢測(cè)準(zhǔn)確性和有效性，但在智能鋸樹機(jī)器人識(shí)別檢測(cè)上，還有待研究。

針對(duì)上述技術(shù)不足，設(shè)計(jì)了一種改進(jìn)的 YOLOV5模型的智能鋸樹機(jī)器人系統(tǒng)，旨在采用改進(jìn)的YOLOV5算法模型提高對(duì)周圍故障及目標(biāo)樹木的檢測(cè)與識(shí)別，從而調(diào)動(dòng)控制模塊和避障決策模塊進(jìn)行相應(yīng)操作，提高鋸樹工程測(cè)量的效率。

1 智能鋸樹機(jī)器人系統(tǒng)方案設(shè)計(jì)

針對(duì)現(xiàn)有文獻(xiàn)中的機(jī)器人在復(fù)雜環(huán)境下越障功能存在的不足之處，提出了通過將傳統(tǒng)卷積拆分為深度可分離卷積、將抑制算法換成軟性非極大值抑制算法，從而實(shí)現(xiàn)對(duì)YOLOV5算法的改進(jìn)。采用改進(jìn)的 YOLOV5障礙物識(shí)別，通過超聲波傳感器和避障模型以及LabVIEW實(shí)現(xiàn)智能鋸樹機(jī)器人的自主越障操作[6]。智能鋸樹機(jī)器人的系統(tǒng)結(jié)構(gòu)如圖1所示。

圖1中，避障決策模塊根據(jù)感知模塊提供的障礙物信息，進(jìn)行避障決策。控制模塊負(fù)責(zé)控制機(jī)器人的運(yùn)動(dòng)和操作。智能鋸樹機(jī)器人的感知模塊配備激光雷達(dá)、攝像頭、超聲波傳感器等感知設(shè)備，用于獲取周圍環(huán)境的信息?；诟兄K提供的環(huán)境信息，路徑規(guī)劃模塊能夠生成機(jī)器人的移動(dòng)路徑。

通過建立無線傳感器網(wǎng)絡(luò)來實(shí)現(xiàn)對(duì)環(huán)境復(fù)雜的區(qū)域、人工測(cè)量難以實(shí)施的環(huán)境進(jìn)行鋸樹工程測(cè)量，來提高測(cè)量的準(zhǔn)確度和效率[7]。無線傳感網(wǎng)的主要架構(gòu)圖如圖2所示。

本研究采用無線傳感網(wǎng)的設(shè)計(jì)使得測(cè)量具有實(shí)時(shí)性，將無線傳感網(wǎng)絡(luò)部署好以后，可以長(zhǎng)時(shí)間地使用，以便于本研究獲取實(shí)時(shí)的測(cè)量數(shù)據(jù)，相對(duì)于人工測(cè)量這是一個(gè)明顯的優(yōu)勢(shì)。本文無線傳感網(wǎng)絡(luò)協(xié)議中MAC層采用的是CSMA算法，主要的控制方案就是先聽再講，監(jiān)聽到信道忙時(shí)，采用三種堅(jiān)持退避算法[8]。在進(jìn)一步的實(shí)施例中，還建立無線傳感網(wǎng)絡(luò)協(xié)議，主要分為四層即物理層、數(shù)據(jù)鏈路層、網(wǎng)絡(luò)層、應(yīng)用層。通過接口連接各層之間的數(shù)據(jù)通信，借樓來提供服務(wù)，大致分為數(shù)據(jù)服務(wù)和管理服務(wù)兩類，數(shù)據(jù)服務(wù)主要提供該層的數(shù)據(jù)收發(fā)，管理層則支持網(wǎng)絡(luò)管理的服務(wù)。

2 改進(jìn)的YOLOV5障礙物識(shí)別

2.1 深度可分離卷積

YOLOV5作為一種目標(biāo)檢測(cè)算法，算法模型主要由輸入端、主干網(wǎng)絡(luò)、頸部網(wǎng)絡(luò)以及預(yù)測(cè)輸出等組成。傳統(tǒng)的卷積操作是在每個(gè)輸入通道上進(jìn)行濾波操作，然后將結(jié)果進(jìn)行求和得到輸出特征圖[9]。其卷積操作的計(jì)算量可表示為：

Q1=D2k·M·N·Dw·Dh（1）

式中，Q1表示傳統(tǒng)卷積操作的計(jì)算量；Dk表示卷積核的尺寸；Dw表示輸出數(shù)據(jù)的寬度；Dh表示輸出數(shù)據(jù)的長(zhǎng)度；M表示輸入數(shù)據(jù)的通道數(shù)；N表示輸出數(shù)據(jù)的通道數(shù)。

深度可分離卷積操作可表示為[10]：

Q2=Dk·Dk·M·Dw·Dh+M·N·Dw·Dh（2）

式中，Q2表示深度可分離卷積操作的計(jì)算量。將深度可分離卷積與傳統(tǒng)卷積進(jìn)行對(duì)比為：

Q2Q1=（M·Dw·Dh）·（D2k+N）D2k·M·N·Dw·Dh=1N+1D2k （3）

由式可知，深度可分離卷積較傳統(tǒng)卷積的計(jì)算量會(huì)減少大約14，通過對(duì)YOLOV5算法的改進(jìn)，可明顯提高障礙物的檢測(cè)速度。

2.2 軟性非極大值抑制算法

為了提高機(jī)器人在復(fù)雜環(huán)境下的感知和決策能力，在算法設(shè)計(jì)上采用了軟性非極大值抑制算法。該算法的目的是通過對(duì)檢測(cè)到的障礙物進(jìn)行分析和篩選，實(shí)現(xiàn)優(yōu)化的路徑規(guī)劃和避障功能。通過減小重疊較大的候選框的置信度來抑制重復(fù)檢測(cè)的問題[11]。通過引入一個(gè)衰減函數(shù)，用于根據(jù)重疊程度來減小重疊較大框的置信度，從而降低它們被選為最終結(jié)果的概率。

非極大值抑制算法的計(jì)算表達(dá)式如下：

Si=Si，F(xiàn)－R（α，χi）lt;θ0，F(xiàn)－R（α，χi）≥θR=λ2（a，a1）h2（4）

式中，Si表示目前的置信度分?jǐn)?shù)；F表示交并化計(jì)算值；R表示交并化損失函數(shù)的懲罰項(xiàng)；α的分?jǐn)?shù)最高；χi表示目前被對(duì)比的框；a和a1表示兩個(gè)中心像素點(diǎn)坐標(biāo)；λ為歐式距離；θ為閾值，此處取0.5；h表示像素長(zhǎng)度。

當(dāng)障礙物與目標(biāo)檢測(cè)物相互遮擋時(shí)，采用非極大值抑制方式對(duì)障礙物進(jìn)行識(shí)別時(shí)，會(huì)出現(xiàn)漏檢和誤檢情況。針對(duì)這一問題，本文采用軟性非極大值抑制算法，可降低大于閾值框的置信度。

軟性非極大值抑制算法的計(jì)算表達(dá)式如下：

Si=Si，F(xiàn)－R（α，χi）lt;θSi（1－F（α，χi）），F(xiàn)－R（α，χi）≥θ（5）

式（5）與其他抑制算法的復(fù)雜度相比沒有較大差異。改進(jìn)的YOLOV5算法整體網(wǎng)絡(luò)外觀未發(fā)生明顯變化，只是在其算法內(nèi)部將傳統(tǒng)的卷積使用深度可分離卷積代替，將抑制算法使用軟性非極大值抑制算法代替。

2.3 損失函數(shù)的改進(jìn)

為了提高YOLOV5算法在智能鋸樹機(jī)器人自主越障上的性能，本文對(duì)YOLOV5算法模型的損失函數(shù)進(jìn)行改進(jìn)。傳統(tǒng)的損失函數(shù)是基于目標(biāo)框邊界框的均方差損失和目標(biāo)分類的交叉熵?fù)p失，只考慮了邊界框的位置和尺寸，沒有考慮形狀的一致性。因此，本文采用期望交并比（Expected Intersection over Union，EIOU）損失函數(shù)對(duì)YOLOV5算法模型進(jìn)行改進(jìn)。

在EIOU損失函數(shù)中，交并比（IOU）用于衡量預(yù)測(cè)邊界框和真實(shí)邊界框之間的重疊程度，而置信度分?jǐn)?shù)用于表示模型對(duì)目標(biāo)存在的置信程度。通過結(jié)合這兩個(gè)因素，EIOU損失函數(shù)可以更好地處理目標(biāo)檢測(cè)中的目標(biāo)尺寸、姿態(tài)、遮擋等變化較大的情況，使得模型更加魯棒和準(zhǔn)確[12]。EIOU損失函數(shù)在訓(xùn)練過程中收斂精度可表示為：

QEIOU=1－EIOU=1-IOU+ρ2（b，b′）c2+

ρ2（w，w′）C2w+ρ2（h，h′）C2h（6）

式中，b為預(yù)測(cè)框的中心點(diǎn)；b′為真實(shí)框的中心點(diǎn)；w為預(yù)測(cè)框的寬度；w′為真實(shí)框的寬度；h為預(yù)測(cè)框的高度；h′為真實(shí)框的高度；ρ為歐式距離；c為預(yù)測(cè)框與真實(shí)框最小外接矩陣的對(duì)角線長(zhǎng)；Cw為預(yù)測(cè)框與真實(shí)框最小外接矩陣的寬；Ch為預(yù)測(cè)框與真實(shí)框最小外接矩陣的高；IOU為預(yù)測(cè)框與真實(shí)框的重疊程度。

3 智能鋸樹機(jī)器人自主越障技術(shù)實(shí)施方法

智能鋸樹機(jī)器人的越障控制主要利用LabVIEW，將各種感知傳感器獲得的多個(gè)數(shù)據(jù)進(jìn)行整合和處理，并傳送給相應(yīng)的微控制器。本文研究的智能鋸樹機(jī)器人在與障礙物的距離位置上，使用超聲波扇形掃描測(cè)距法對(duì)其進(jìn)行位置距離的采集，并通過雙目攝像機(jī)完成對(duì)周圍環(huán)境和障礙物的采集，將數(shù)據(jù)發(fā)送到相應(yīng)的微控制器，從而實(shí)現(xiàn)機(jī)器人的越障功能[13]。

超聲波傳感器安置在鋸樹機(jī)器人的前部，每次旋轉(zhuǎn)30°。為保證位置距離信息測(cè)量的準(zhǔn)確性，對(duì)機(jī)器人前方7個(gè)方位進(jìn)行測(cè)量，距離測(cè)量方位如圖3所示。

為探究智能鋸樹機(jī)器人避障的可行性，在坐標(biāo)系上建立機(jī)器人避障模型，設(shè)定（t－1）時(shí)刻機(jī)器人的航向角為θ（t－1），可通過目標(biāo)點(diǎn)和（t－1）時(shí)刻所處位置求出，與目標(biāo)點(diǎn)的夾角為θ1（t－1）；t時(shí)刻的機(jī)器人航向角為θ（t），可通過目標(biāo)點(diǎn)和t時(shí)刻所處位置求出，與目標(biāo)點(diǎn)的夾角為θ1（t）。坐標(biāo)系下機(jī)器人避障模型如圖4所示。

由圖4可求出t時(shí)刻機(jī)器人目標(biāo)夾角T（t）的數(shù)學(xué)表達(dá)式為：

T（t）=θ1（t）－θ（t） （7）

式中，θ（t）∈（－180°，180°］。根據(jù)超聲波傳感器獲取位置距離信息，通過坐標(biāo)系下機(jī)器人避障模型求出最大的可避障航向角，通過LabVIEW的整合和處理，可控制鋸樹機(jī)器人完成避障操作，從而實(shí)現(xiàn)智能鋸樹機(jī)器人自主越障。

4 實(shí)驗(yàn)分析

4.1 實(shí)驗(yàn)條件和評(píng)估指標(biāo)

本文實(shí)驗(yàn)平臺(tái)的計(jì)算機(jī)視覺設(shè)備使用ZED高清相機(jī)，在Tensorflow深度學(xué)習(xí)框架上對(duì)障礙物識(shí)別模型進(jìn)行訓(xùn)練。使用內(nèi)存為64 GB、CPU為Intel i9的Windows10操作平臺(tái)進(jìn)行操作。

障礙物數(shù)據(jù)集通過6-9月的攝像機(jī)拍攝得到，通過使用Labelimg軟件對(duì)需要識(shí)別的障礙物進(jìn)行標(biāo)注。在訓(xùn)練過程中，圖像尺寸先進(jìn)行padding操作，將其設(shè)定為416×416像素，作為YOLOV5算法的Input模塊，通過輸入較小尺寸的圖像，可大大加快YOLOV5算法的計(jì)算速度。在對(duì)數(shù)據(jù)增強(qiáng)時(shí)，對(duì)圖像進(jìn)行旋轉(zhuǎn)不同角度、鏡像、裁剪、翻轉(zhuǎn)、隨機(jī)扭曲、涂鴉等操作。

將準(zhǔn)確率（Precision，P）、召回率（Recall，R）和調(diào)和均值E作為障礙物識(shí)別模型性能評(píng)估指標(biāo)。準(zhǔn)確率的數(shù)學(xué)計(jì)算公式如下：

P=TpTp+Fp×100%（8）

式中，Tp表示正確識(shí)別出障礙物的數(shù)量；Fp表示錯(cuò)誤識(shí)別出障礙物的數(shù)量。召回率的數(shù)學(xué)計(jì)算公式如下：

R=TpTp+FN×100%（9）

式中，F(xiàn)N表示圖像中的障礙物漏檢數(shù)量。調(diào)和均值的數(shù)學(xué)計(jì)算公式如下：

E=2PRP+R（10）

式中，E表示準(zhǔn)確率P和召回率R的調(diào)和平均值，要使模型效果越好，則調(diào)和均值E應(yīng)越趨近于1。

4.2 模型訓(xùn)練實(shí)驗(yàn)結(jié)果

為驗(yàn)證改進(jìn)的YOLOV5算法模型的可行性和有效性，將改進(jìn)前后的模型進(jìn)行對(duì)比分析。數(shù)據(jù)集和其他參數(shù)設(shè)定一樣的前提下，設(shè)定學(xué)習(xí)率為0.001、衰減系數(shù)為0.9，經(jīng)過50000次迭代。其改進(jìn)前后模型的準(zhǔn)確率和召回率變化曲線圖如圖5所示。

（a）準(zhǔn)確率變化曲線

（b）召回率變化曲線

由圖5可知，改進(jìn)前后的YOLOV5算法模型在經(jīng)過50000次迭代后，其準(zhǔn)確率和召回率變化曲線趨于穩(wěn)定。圖5（a）中，改進(jìn)后的YOLOV5模型準(zhǔn)確率較改進(jìn)前的提高了9個(gè)百分點(diǎn)；在圖5（b）中，改進(jìn)后的YOLOV5模型召回率較改進(jìn)前的提高了8個(gè)百分點(diǎn)，且收斂速度更快。由此表明，改進(jìn)后YOLOV5算法模型有更好的性能，進(jìn)一步驗(yàn)證了改進(jìn)后模型的有效性。

4.3 不同距離下模型檢測(cè)結(jié)果

林業(yè)中的障礙物根據(jù)距離可分為三種。當(dāng)攝像頭距障礙物小于5 m時(shí)，為近距離障礙物；當(dāng)攝像頭距障礙物為5～10 m時(shí)，為中距離障礙物；當(dāng)攝像頭距障礙物大于10 m時(shí)，為遠(yuǎn)距離障礙物。不同距離下模型檢測(cè)結(jié)果如表1所示。

由表1可知，改進(jìn)后的準(zhǔn)確率、召回率和調(diào)和均值對(duì)不同距離障礙物識(shí)別都較改進(jìn)前的有所提高，且對(duì)近距離障礙物識(shí)別效果較為顯著，準(zhǔn)確率能達(dá)到97.15%，調(diào)和均值達(dá)到94.23%；對(duì)遠(yuǎn)距離障礙物的識(shí)別效果還需提高。

4.4 自主越障效果分析

本文對(duì)智能鋸樹機(jī)器人自主越障效果分析，主要是將傳統(tǒng)系統(tǒng)與自主越障系統(tǒng)進(jìn)行對(duì)比分析。經(jīng)過5個(gè)小時(shí)的測(cè)試，試驗(yàn)數(shù)據(jù)示意表如表2所示。

圖2中，本文方法的通信數(shù)據(jù)量接近預(yù)通信數(shù)據(jù)量，而傳統(tǒng)方法的通信數(shù)量與預(yù)通信數(shù)據(jù)量有著較大的差異，表明本文方法在通信上有著優(yōu)越的性能。因鋸樹作業(yè)多是對(duì)靜態(tài)障礙物進(jìn)行避障，因此比較傳統(tǒng)系統(tǒng)與自主越障系統(tǒng)對(duì)靜態(tài)障礙物在不同距離下的越障效果。自主越障效果對(duì)比分析如表3所示。

由表3可知，采用自主越障系統(tǒng)的越障效果明顯優(yōu)于傳統(tǒng)系統(tǒng)，且距離越近，其越障效果越好。當(dāng)距離為3 m時(shí)，其越障效果可達(dá)97%；而傳統(tǒng)系統(tǒng)在距離為3 m時(shí)，其越障效果只有72%。因此，本文設(shè)計(jì)的智能鋸樹機(jī)器人自主越障系統(tǒng)是有效的、有意義的。

5 結(jié) 論

本文分析了智能鋸樹機(jī)器人的系統(tǒng)結(jié)構(gòu)功能，著重對(duì)障礙物識(shí)別和自主越障技術(shù)展開分析。通過采用深度可分離卷積減少網(wǎng)絡(luò)模型的參數(shù)量和計(jì)算量；利用軟性非極大值抑制算法減少誤檢和漏檢情況，從而實(shí)現(xiàn)對(duì)YOLOV5算法的改進(jìn)。在對(duì)自主越障技術(shù)設(shè)計(jì)研究上，通過超聲波傳感器獲取障礙物位置距離信息，根據(jù)避障模型求出最大的避障航向角，采用LabVIEW對(duì)傳感器收集到的數(shù)據(jù)信息進(jìn)行整合和處理，從而實(shí)現(xiàn)智能鋸樹機(jī)器人的自主越障操作。

通過實(shí)驗(yàn)驗(yàn)證了改進(jìn)后的YOLOV5算法模型的準(zhǔn)確率和召回率都較改進(jìn)前的高，距離越近，其障礙物識(shí)別效果和自主越障效果越好。但本文研究只涉及障礙物識(shí)別效果和自主越障效果，智能鋸樹機(jī)器人的其他技術(shù)還有待進(jìn)一步研究。

參考文獻(xiàn)

［１］ 陳思晗，張長(zhǎng)青.智能控制在木材加工和林業(yè)機(jī)器人中的應(yīng)用研究進(jìn)展[J].世界林業(yè)研究，2023，36（3）：45-50.

［2］ 徐思雨，呂冬慧，單仲，等.一種小型多功能農(nóng)業(yè)機(jī)器人的設(shè)計(jì)與實(shí)現(xiàn)[J].機(jī)電工程技術(shù)，2023，52（4）：194-198.

［3］ 張普明，肖媛妮，令狐青青，等.基于YOLOV3算法的耕田機(jī)單目障礙物檢測(cè)應(yīng)用研究[J].電腦編程技巧與維護(hù)，2023， 455（5）：123-125.

［4］ 黃緒勇，王欣，唐標(biāo)，等.基于改進(jìn)人工勢(shì)場(chǎng)法的電力巡檢機(jī)器人自動(dòng)避障軌跡規(guī)劃[J].機(jī)械與電子，2023，41（4）：22-25+30.

［5］ 武余利. 基于YOLOv5的路面障礙物檢測(cè)與測(cè)距算法研究[D].蕪湖：安徽工程大學(xué)，2023.

［6］ 蔣子瓏， 蔣健， 陳煒. 基于GNSS的在線鋸樹工程測(cè)量系統(tǒng)設(shè)計(jì)[J]. 測(cè)控技術(shù)， 2018，37（6）：99-102.

［7］ 姜朋. 基于強(qiáng)化學(xué)習(xí)的室內(nèi)移動(dòng)機(jī)器人避障策略研究[D].杭州：浙江大學(xué)，2023.

［8］ 岳衡，黃曉明，林明輝，等.基于改進(jìn)YOLOv5的安全帽佩戴檢測(cè)[J].計(jì)算機(jī)與現(xiàn)代化，2022，322（6）：104-108+126.

［9］ 蔡舒平，孫仲鳴，劉慧，等.基于改進(jìn)型YOLOv4的果園障礙物實(shí)時(shí)檢測(cè)方法[J].農(nóng)業(yè)工程學(xué)報(bào)，2021，37（2）：36-43.

［10］齊浩. 基于SSD的目標(biāo)檢測(cè)算法及其應(yīng)用研究[D].邯鄲：河北工程大學(xué)，2021.

［11］趙章焰，張瑞東.改進(jìn)模糊算法的六足機(jī)器人自主導(dǎo)航研究[J].機(jī)械設(shè)計(jì)與制造，2022（12）：88-94.

［12］池毓菲，張美鋒，黃子博，等.一種電力巡檢機(jī)器人自主越障系統(tǒng)設(shè)計(jì)[J].電氣技術(shù)與經(jīng)濟(jì)，2022（6）：109-112.

［13］MUSYAFA A ， ABADI I ， NORIYATI R D ， et al. Design and implementation monitoring system based Internet of Things （IoT） on battery charging photovoltaic power plant using FLC[J]. International Journal of Mechanical amp; Mechatronics Engineering，2020，20（4）：22-30.