YOLOv8算法模型后智能小车的障碍物识别方法研究 毕业论文.docx

目录

TOC\o1-3\h\z\u1引言 1

1.1研究背景及意义 1

1.2国内外研究现状 2

1.3研究内容 6

2相关理论与算法介绍 6

2.1基于卷积神经网络的图像理解 6

2.1.1基于深度学习的图像理解 6

2.2基于深度学习的YOLO目标检测原理 9

2.2.1基于深度学习的YOLO模型 10

3基于深度学习的障碍物识别方法的设计 12

3.1总体流程设计 12

3.2基于YOLOv8的室内障碍物识别方法 13

3.2.1离线模型的训练 13

3.2.2基于离线模型的障碍物识别 14

4实验与分析 16

4.1算法实现环境及配置 16

4.2算法运行情况及效果 17

4.2.1室内障碍物的识别 17

4.3对比实验及结果分析 19

4.3.1障碍物检测情况对比分析 19

5总结 20

致谢 22

智能小车的障碍物识别方法研究

摘要：室内障碍物识别在物流运输、仓储等领域有很强的实用价值。传统研究中，学者们主要利用激光雷达、红外线传感器、超声波等实现障碍物的识别。然而，激光雷达易发生镜面反射；红外线传感器易受到外界环境的干扰，抗噪性差；超声波检测精度不高。在此背景下，本设计提出一种基于图像理解的室内障碍物识别方法。该方法分为两个阶段，在离线模型训练阶段中需要对所定义的室内障碍物进行手动分类、采集室内障碍物图像信息、对障碍物在图像中进行框选和标记、配置训练参数最后获得最佳识别权重；在线识别阶段需要利用离线训练的模型识别输入的图像中待检的障碍物，框选出可能的障碍物并在选取框上标记障碍物类别和置信度，最终输出包含类别、置信度在内的室内障碍物信息。本设计基于以上方法进行软件和算法设计并进行实验。实验结果表明经过训练YOLOv8算法模型后障碍物识别精度提高了。

关键词:障碍物识别；目标检测；图像理解；深度学习

Researchonobstaclerecognitionmethodofintelligentcar

Abstract：Indoorobstaclerecognitionhasstrongpracticalvalueinlogisticstransportation,warehousingandotherfields.Traditionally,scholarsmainlyuselaserradar,infraredsensors,ultrasonictoidentifyobstacles.However,laserradarispronetomirrorreflection;infraredsensorsaresusceptibletointerferencefromtheexternalenvironmentandhavepoornoiseimmunity;ultrasonicdetectionaccuracyisnothigh.Inthiscontext,anindoorobstaclerecognitionmethodbasedonimageunderstandingisproposed.Themethodisdividedintotwostages.Intheofflinemodeltrainingstage,itisnecessarytomanuallyclassifythedefinedindoorobstacles,collecttheimageinformationofindoorobstacles,frameandmarktheobstaclesintheimage,andconfigurethetrainingparameterstoobtaintheoptimalrecognitionweight.Intheonlinerecognitionstage,theoff-linetrainingmodelisneededtoidentifytheobstaclestobedetectedintheinputimage.Thepossibleobstaclesareselectedbythebox,andtheobstaclecategoryandconfidencearemarked