Iconic Research and Engineering Journals·10月19日 · 周一论文农业人工智能与决策模型阅读 0
YOLO-Based Real-Time Object Detection Using Computer Vision for Robotics
Aafareen Sikandar Shaikh · Archana Nilesh Pawar
论文解读
0未达精选线
速览
提出将轻量YOLO检测器与机器人相机集成的框架，并定义原型评估方案。
方法
轻量YOLO单阶段检测、机器人相机图像采集与预处理、置信度过滤及控制器通信。
发现
紧凑YOLO适合资源受限机器人平台，但可靠导航仍需深度感知与安全控制器。
机会点
可将该框架迁移至农业机器人，研究田间遮挡与光照变化下的轻量检测与深度感知融合。
影响力0
信息增量0
专业深度0
信源权威0
时效性0
该文为通用机器人视觉论文，未涉及农业场景，与三农及农业信息化无直接关联，不建议进入每日精选。
原文摘要
在动态环境中运行的机器人需要快速且可靠的感知能力，以便在做出移动或操作决策之前识别人、工具、障碍物和其他物体。传统视觉流水线可能需要区域提议、分类和定位等独立阶段，这会增加计算成本和延迟。You Only Look Once（YOLO）将目标检测表述为单网络预测任务，已成为实时计算机视觉应用中实用的一类检测器。本文提出了一个面向研究的框架，用于将轻量级YOLO检测器与机器人搭载的相机集成。该框架涵盖图像采集、预处理、目标检测、置信度过滤、坐标解释以及与机器人控制器的通信。文中还讨论了模型选择、部署约束、评估指标、安全考虑以及可复现的测试方案。本文不报告未进行的实验，而是定义了应如何使用精确率、召回率、平均精度均值、推理延迟、帧率和端到端响应时间来评估原型。分析表明，紧凑型YOLO变体适合作为资源受限机器人平台的起点，而可靠导航还需要额外的深度或距离传感以及安全控制器。所提出的方法可支持障碍物感知、目标跟随、拾取与放置辅助以及室内移动机器人感知。