基于边缘智能的农机自主作业中避障技术研究.pdf

哈尔滨工业大学专业硕士学位论文

摘要

随着农业生产步入现代化，农机在田间的作业任务逐渐从人工转向自主。

在农机自主作业任务中，除了关注如何实现全覆盖的路径规划外，还需要额外

关注作业时的动态避障问题。在农机避障任务中，除了需要对指定障碍物进行

识别外，还需要针对一些严重危害人员安全和严重耽误农时进度的情况进行单

独的设计解决方案。本文主要从以下三个方向开展研究：（1）自主作业任务的

前提就是要保护人员安全，防止农机造成人员伤亡。这需要农机在作业中可以

提前识别到田中行人，并作出预警与反应。（2）目前农机经常出现陷入田间坑

洼中被困住的情况，尤其在夏季阴雨天气时发生频率更高。这是由于农机没有

提前识别到路径上的坑洼并作出反应。（3）由于边缘设备高延迟，低算力的限

制，在部署常规的网络模型到边缘设备时常不能满足实时检测的要求。这是因

为网络参数量大且层数较深时，对算力要求较高，需要同时兼顾精度和速度的

解决方法。针对上述问题，本文采用机器学习技术，对以上三个问题展开研究，

并给出解决方案。

首先，对于田间行人检测任务选用SSD框架作为网络主要结构，针对边缘

设备特性，使用轻量化的MobilenetV2网络取代VGG16作为主网络，以降低参

数量和层数，引入特征金字塔网络提高后端检测性能。采用卡内基梅隆大学的

田间行人数据集进行训练与测试。测试结果显示，添加特征金字塔网络后，检

测精度从85.69%提升至88.58%，提高了约2.89%，验证了方法的有效性。

其次，对于田间坑洼检测任务，由于田间道路缺陷多为坑洼且无公开数据

集，本文首先对kaggle上公开的常规道路下的坑洼数据进行学习与训练，再对

对实验室环境下自建的农田坑洼数据集进行迁移学习，模拟实现田间道路的坑

洼检测。在模型设计方面，选用YOLOV5的轻量版本YOLOV5s进行网络设计，

同时引入CBAM注意力机制来提升网络精度。引入CBAM注意力机制后，常

规道路上的坑洼检测精度从94.57%提升至97.16%。迁移学习后的田间坑洼检

测精度为83.15%。

最后，本文给出了模型的边缘部署方案。首先通过搭载JetsonNano的Jetbot

作为载体，使用ResNET-18网络实现了全覆盖的路径规划和特定障碍物检测。

运用TensorRT对田间行人检测任务和田间坑洼检测任务中所得到的模型进行

边缘部署，在适当降低精度的情况下大幅提升了运行速度，满足了边缘端实时

检测的要求，实现了农机自主作业任务中避障技术的边缘部署。

关键词：农机自主作业、避障技术、轻量模型设计、模型边缘部署

-II-

哈尔滨工业大学专业硕士学位论文

Abstract

Withthemodernisationofagriculturalproduction,thetaskofoperating

agriculturalmachineryinthefieldisgraduallyshiftingfrommanualto

autonomous.Intheautonomoustasksofagriculturalmachines,inadditiontothe

concernforachievingfull-coveragepathplanning,additionalattentionneedsto

bepaidtodynamicobstacleavoidanceduringoperation.Inthetaskofobstacle

avoidanceforagriculturalmachines,inadditiontotheidentificationofspecified

obstacles,thereisalsoaneedforindividuallydesignedsolutionsfor