摘 要：針對在鋸樹工程測量中遇到的環(huán)境復雜，耗時費力且效率不高等測量問題，設計了一種改進的深度學習算法（You Only Look Once， YOLO）模型的智能鋸樹機器人系統(tǒng)。通過無線傳感網(wǎng)絡，構建了無線傳感器鋸樹工程測量拓撲結構，實現(xiàn)鋸樹工程測量供配電系統(tǒng)全方位數(shù)據(jù)監(jiān)測；建立窄帶物聯(lián)網(wǎng)（Narrow Band Internet Of Things，NB IOT）分布式結構，提出采用改進YOLOV5算法對障礙物識別，使用超聲波傳感器和實驗室虛擬儀器集成環(huán)境（Laboratory Virtual Instrument Engineering Workbench，LabVIEW）以及攝像機完成機器人的自主越障仿真操作，大大提高智能鋸樹機器人通信能力和計算能力。實驗結果表明，改進后的YOLOV5算法模型在經(jīng)過50000次迭代后，其準確率較改進前增加了9個百分點，召回率較改進前增加了8個百分點，在近距離障礙物識別上，準確率可達97.15%，且距離越近，其障礙物識別效果和自主越障效果越好。

關鍵詞：智能鋸樹機器人；YOLOV5；超聲波傳感器；NB IOT；CSMA；障礙物

中圖分類號：TP39文獻標識碼：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)領域，由于環(huán)境復雜性和任務的特殊性，傳統(tǒng)的機器人技術往往無法滿足需求[1-2]。特別是在樹木鋸除領域，由于樹木的不規(guī)則形狀和復雜的生長環(huán)境，傳統(tǒng)的機器人很難進行精確的操作和移動。

文獻[3]提出使用YOLOV3算法識別障礙物，通過對目標物和障礙物進行分類、存放和編號，可有效檢測出障礙物和目標物的類別及實際位置，且識別準確率高。但未涉及對障礙物的跨越，且所需數(shù)據(jù)量和算力較大。文獻[4]提出改進人工勢場法實現(xiàn)自動避障，通過構建被控對象模型，分析避障運動學，獲取環(huán)境參數(shù)，實現(xiàn)對環(huán)境的建模，從而實現(xiàn)對自動避障軌跡的規(guī)劃，但該方法不適用于環(huán)境復雜的避障。文獻[5]提出一種基于YOLOV5的路面障礙物檢測與測距算法研究，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YOLOV5的主干上進行算法的改進，采用單目攝像頭測量目標障礙物距離，從而實現(xiàn)對路面障礙物的檢測。該方法雖然能提高YOLOV5算法的檢測準確性和有效性，但在智能鋸樹機器人識別檢測上，還有待研究。

針對上述技術不足，設計了一種改進的 YOLOV5模型的智能鋸樹機器人系統(tǒng)，旨在采用改進的YOLOV5算法模型提高對周圍故障及目標樹木的檢測與識別，從而調(diào)動控制模塊和避障決策模塊進行相應操作，提高鋸樹工程測量的效率。

1 智能鋸樹機器人系統(tǒng)方案設計

針對現(xiàn)有文獻中的機器人在復雜環(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，從而實現(xiàn)對YOLOV5算法的改進。采用改進的 YOLOV5障礙物識別，通過超聲波傳感器和避障模型以及LabVIEW實現(xiàn)智能鋸樹機器人的自主越障操作[6]。智能鋸樹機器人的系統(tǒng)結構如圖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，進行避障決策。控制模塊負責控制機器人的運動和操作。智能鋸樹機器人的感知模塊配備激光雷達、攝像頭、超聲波傳感器等感知設備，用于獲取周圍環(huán)境的信息。基于感知模塊提供的環(huán)境信息，路徑規(guī)劃模塊能夠生成機器人的移動路徑。

通過建立無線傳感器網(wǎng)絡來實現(xiàn)對環(huán)境復雜的區(qū)域、人工測量難以實施的環(huán)境進行鋸樹工程測量，來提高測量的準確度和效率[7]。無線傳感網(wǎng)的主要架構圖如圖2所示。

本研究采用無線傳感網(wǎng)的設計使得測量具有實時性，將無線傳感網(wǎng)絡部署好以后，可以長時間地使用，以便于本研究獲取實時的測量數(shù)據(jù)，相對于人工測量這是一個明顯的優(yōu)勢。本文無線傳感網(wǎng)絡協(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，采用三種堅持退避算法[8]。在進一步的實施例中，還建立無線傳感網(wǎng)絡協(xié)議，主要分為四層即物理層、數(shù)據(jù)鏈路層、網(wǎng)絡層、應用層。通過接口連接各層之間的數(shù)據(jù)通信，借樓來提供服務，大致分為數(shù)據(jù)服務和管理服務兩類，數(shù)據(jù)服務主要提供該層的數(shù)據(jù)收發(fā)，管理層則支持網(wǎng)絡管理的服務。

2 改進的YOLOV5障礙物識別

2.1 深度可分離卷積

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

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算量。將深度可分離卷積與傳統(tǒng)卷積進行對比為：

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)卷積的計算量會減少大約14，通過對YOLOV5算法的改進，可明顯提高障礙物的檢測速度。

2.2 軟性非極大值抑制算法

為了提高機器人在復雜環(huán)境下的感知和決策能力，在算法設計上采用了軟性非極大值抑制算法。該算法的目的是通過對檢測到的障礙物進行分析和篩選，實現(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檢測的問題[11]。通過引入一個衰減函數(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果的概率。

非極大值抑制算法的計算表達式如下：

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數(shù)；F表示交并化計算值；R表示交并化損失函數(shù)的懲罰項；α的分數(shù)最高；χi表示目前被對比的框；a和a1表示兩個中心像素點坐標；λ為歐式距離；θ為閾值，此處取0.5；h表示像素長度。

當障礙物與目標檢測物相互遮擋時，采用非極大值抑制方式對障礙物進行識別時，會出現(xiàn)漏檢和誤檢情況。針對這一問題，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算表達式如下：

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雜度相比沒有較大差異。改進的YOLOV5算法整體網(wǎng)絡外觀未發(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

為了提高YOLOV5算法在智能鋸樹機器人自主越障上的性能，本文對YOLOV5算法模型的損失函數(shù)進行改進。傳統(tǒng)的損失函數(shù)是基于目標框邊界框的均方差損失和目標分類的交叉熵損失，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YOLOV5算法模型進行改進。

在EIOU損失函數(shù)中，交并比（IOU）用于衡量預測邊界框和真實邊界框之間的重疊程度，而置信度分數(shù)用于表示模型對目標存在的置信程度。通過結合這兩個因素，EIOU損失函數(shù)可以更好地處理目標檢測中的目標尺寸、姿態(tài)、遮擋等變化較大的情況，使得模型更加魯棒和準確[12]。EIOU損失函數(shù)在訓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為預測框的中心點；b′為真實框的中心點；w為預測框的寬度；w′為真實框的寬度；h為預測框的高度；h′為真實框的高度；ρ為歐式距離；c為預測框與真實框最小外接矩陣的對角線長；Cw為預測框與真實框最小外接矩陣的寬；Ch為預測框與真實框最小外接矩陣的高；IOU為預測框與真實框的重疊程度。

3 智能鋸樹機器人自主越障技術實施方法

智能鋸樹機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數(shù)據(jù)進行整合和處理，并傳送給相應的微控制器。本文研究的智能鋸樹機器人在與障礙物的距離位置上，使用超聲波扇形掃描測距法對其進行位置距離的采集，并通過雙目攝像機完成對周圍環(huán)境和障礙物的采集，將數(shù)據(jù)發(fā)送到相應的微控制器，從而實現(xiàn)機器人的越障功能[13]。

超聲波傳感器安置在鋸樹機器人的前部，每次旋轉(zhuǎn)30°。為保證位置距離信息測量的準確性，對機器人前方7個方位進行測量，距離測量方位如圖3所示。

為探究智能鋸樹機器人避障的可行性，在坐標系上建立機器人避障模型，設定（t－1）時刻機器人的航向角為θ（t－1），可通過目標點和（t－1）時刻所處位置求出，與目標點的夾角為θ1（t－1）；t時刻的機器人航向角為θ（t），可通過目標點和t時刻所處位置求出，與目標點的夾角為θ1（t）。坐標系下機器人避障模型如圖4所示。

由圖4可求出t時刻機器人目標夾角T（t）的數(shù)學表達式為：

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，通過坐標系下機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，可控制鋸樹機器人完成避障操作，從而實現(xiàn)智能鋸樹機器人自主越障。

4 實驗分析

4.1 實驗條件和評估指標

本文實驗平臺的計算機視覺設備使用ZED高清相機，在Tensorflow深度學習框架上對障礙物識別模型進行訓練。使用內(nèi)存為64 GB、CPU為Intel i9的Windows10操作平臺進行操作。

障礙物數(shù)據(jù)集通過6-9月的攝像機拍攝得到，通過使用Labelimg軟件對需要識別的障礙物進行標注。在訓練過程中，圖像尺寸先進行padding操作，將其設定為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算法的計算速度。在對數(shù)據(jù)增強時，對圖像進行旋轉(zhuǎn)不同角度、鏡像、裁剪、翻轉(zhuǎn)、隨機扭曲、涂鴉等操作。

將準確率（Precision，P）、召回率（Recall，R）和調(diào)和均值E作為障礙物識別模型性能評估指標。準確率的數(shù)學計算公式如下：

P=TpTp+Fp×100%（8）

式中，Tp表示正確識別出障礙物的數(shù)量；Fp表示錯誤識別出障礙物的數(shù)量。召回率的數(shù)學計算公式如下：

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)學計算公式如下：

E=2PRP+R（10）

式中，E表示準確率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應越趨近于1。

4.2 模型訓練實驗結果

為驗證改進的YOLOV5算法模型的可行性和有效性，將改進前后的模型進行對比分析。數(shù)據(jù)集和其他參數(shù)設定一樣的前提下，設定學習率為0.001、衰減系數(shù)為0.9，經(jīng)過50000次迭代。其改進前后模型的準確率和召回率變化曲線圖如圖5所示。

（a）準確率變化曲線

（b）召回率變化曲線

由圖5可知，改進前后的YOLOV5算法模型在經(jīng)過50000次迭代后，其準確率和召回率變化曲線趨于穩(wěn)定。圖5（a）中，改進后的YOLOV5模型準確率較改進前的提高了9個百分點；在圖5（b）中，改進后的YOLOV5模型召回率較改進前的提高了8個百分點，且收斂速度更快。由此表明，改進后YOLOV5算法模型有更好的性能，進一步驗證了改進后模型的有效性。

4.3 不同距離下模型檢測結果

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

由表1可知，改進后的準確率、召回率和調(diào)和均值對不同距離障礙物識別都較改進前的有所提高，且對近距離障礙物識別效果較為顯著，準確率能達到97.15%，調(diào)和均值達到94.23%；對遠距離障礙物的識別效果還需提高。

4.4 自主越障效果分析

本文對智能鋸樹機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)進行對比分析。經(jīng)過5個小時的測試，試驗數(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)量接近預通信數(shù)據(jù)量，而傳統(tǒng)方法的通信數(shù)量與預通信數(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)多是對靜態(tài)障礙物進行避障，因此比較傳統(tǒng)系統(tǒng)與自主越障系統(tǒng)對靜態(tài)障礙物在不同距離下的越障效果。自主越障效果對比分析如表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。當距離為3 m時，其越障效果可達97%；而傳統(tǒng)系統(tǒng)在距離為3 m時，其越障效果只有72%。因此，本文設計的智能鋸樹機器人自主越障系統(tǒng)是有效的、有意義的。

5 結 論

本文分析了智能鋸樹機器人的系統(tǒng)結構功能，著重對障礙物識別和自主越障技術展開分析。通過采用深度可分離卷積減少網(wǎng)絡模型的參數(shù)量和計算量；利用軟性非極大值抑制算法減少誤檢和漏檢情況，從而實現(xiàn)對YOLOV5算法的改進。在對自主越障技術設計研究上，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對傳感器收集到的數(shù)據(jù)信息進行整合和處理，從而實現(xiàn)智能鋸樹機器人的自主越障操作。

通過實驗驗證了改進后的YOLOV5算法模型的準確率和召回率都較改進前的高，距離越近，其障礙物識別效果和自主越障效果越好。但本文研究只涉及障礙物識別效果和自主越障效果，智能鋸樹機器人的其他技術還有待進一步研究。

參考文獻

［１］ 陳思晗，張長青.智能控制在木材加工和林業(yè)機器人中的應用研究進展[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)機器人的設計與實現(xiàn)[J].機電工程技術，2023，52（4）：194-198.

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

［4］ 黃緒勇，王欣，唐標，等.基于改進人工勢場法的電力巡檢機器人自動避障軌跡規(guī)劃[J].機械與電子，2023，41（4）：22-25+30.

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

［6］ 蔣子瓏， 蔣健， 陳煒. 基于GNSS的在線鋸樹工程測量系統(tǒng)設計[J]. 測控技術， 2018，37（6）：99-102.

［7］ 姜朋. 基于強化學習的室內(nèi)移動機器人避障策略研究[D].杭州：浙江大學，2023.

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

［9］ 蔡舒平，孫仲鳴，劉慧，等.基于改進型YOLOv4的果園障礙物實時檢測方法[J].農(nóng)業(yè)工程學報，2021，37（2）：36-43.

［10］齊浩. 基于SSD的目標檢測算法及其應用研究[D].邯鄲：河北工程大學，2021.

［11］趙章焰，張瑞東.改進模糊算法的六足機器人自主導航研究[J].機械設計與制造，2022（12）：88-94.

［12］池毓菲，張美鋒，黃子博，等.一種電力巡檢機器人自主越障系統(tǒng)設計[J].電氣技術與經(jīng)濟，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.