Resumen

Cmo realizar el reconocimiento preciso de 3 partes de la canal de oveja es la clave para la investigacin de robots de corte de cordero. Las caractersticas de cada parte de la canal de oveja estn conectadas entre s y tienen caractersticas similares, lo que dificulta su identificacin y deteccin, pero con el desarrollo de la tecnologa de segmentacin semntica de imgenes basada en el aprendizaje profundo, es posible explorar esta tecnologa para el reconocimiento en tiempo real de las 3 partes de la canal de oveja. Basndonos en la ICNet, proponemos un mtodo de segmentacin semntica en tiempo real para imgenes de canales de oveja. En primer lugar, adquirimos imgenes de la canal de oveja y utilizamos tecnologa de aumento para ampliar los datos de la imagen, despus de la normalizacin, utilizando LabelMe para anotar la imagen y construir el conjunto de datos de imgenes de la canal de oveja. A continuacin, establecemos el modelo ICNet y lo entrenamos con aprendizaje por transferencia. A continuacin, se obtienen la precisin de segmentacin, el MIoU y el tiempo medio de procesamiento de una sola imagen, que se utilizan como patrn de evaluacin del efecto de segmentacin. Adems, verificamos la capacidad de generalizacin de la ICNet para el conjunto de datos de imgenes de canales de oveja estableciendo experimentos de segmentacin de imgenes con diferentes brillos. Finalmente, la U-Net, DeepLabv3, PSPNet, y Fast-SCNN se introducen en experimentos comparativos para verificar el rendimiento de segmentacin de la ICNet. Los resultados experimentales muestran que para los conjuntos de datos de imgenes de canales de oveja, la precisin de segmentacin y el MIoU de nuestro mtodo son del 97,68% y 88,47%, respectivamente. El tiempo de procesamiento de una sola imagen es de 83 ms. Adems, el MIoU de U-Net y DeepLabv3 es un 0,22% y un 0,03% superior al de ICNet, pero el tiempo de procesamiento de una sola imagen es superior en 186ms y 430ms. Adems, en comparacin con PSPNet y Fast-SCNN, el MIoU del modelo ICNet aumenta un 1,25% y un 4,49%, respectivamente. Sin embargo, el tiempo de procesamiento de una sola imagen se acorta en 469ms y se ampla en 7ms, respectivamente.

• Materias:Sensores Algoritmo genético Controlador difuso Planificación de ruta
• Subjects:sensors Genetic algorithm Fuzzy controller Path planning
• Palabras claves:Realización; Reconocimiento preciso; Canal de oveja; Segmentación semántica de imágenes; Aprendizaje profundo; ICNet
• Keywords:Realization; Accurate recognition; Sheep carcass; Image semantic segmentation; Deep learning; ICNet