文献

J-GLOBAL ID：202002228305043985   整理番号：20A1321006

ロボットハーベスタのための障害物検出と衝突回避のための深層学習アルゴリズムの実装【JST・京大機械翻訳】

Implementation of deep-learning algorithm for obstacle detection and collision avoidance for robotic harvester

クリップ

著者 (5件)： Li Yang (Graduate School of Agriculture, Kyoto University, Kitashirakawa Oiwake-cho, Sakyo-ku, Kyoto 606-8502, Japan) ,  Iida Michihisa (Graduate School of Agriculture, Kyoto University, Kitashirakawa Oiwake-cho, Sakyo-ku, Kyoto 606-8502, Japan) ,  Suyama Tomoya (Graduate School of Agriculture, Kyoto University, Kitashirakawa Oiwake-cho, Sakyo-ku, Kyoto 606-8502, Japan) ,  Suguri Masahiko (Graduate School of Agriculture, Kyoto University, Kitashirakawa Oiwake-cho, Sakyo-ku, Kyoto 606-8502, Japan) ,  Masuda Ryohei (Graduate School of Agriculture, Kyoto University, Kitashirakawa Oiwake-cho, Sakyo-ku, Kyoto 606-8502, Japan)
資料名： Computers and Electronics in Agriculture  (Computers and Electronics in Agriculture)
巻： 174  ページ： Null  発行年： 2020年 
JST資料番号： T0337A  ISSN： 0168-1699  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： オランダ (NLD)  言語： 英語 (EN)

抄録/ポイント： 畳込みニューラルネットワーク(CNNs)は,画像意味セグメンテーション(SS)における最新技術の最新状態である。しかし,それは大きな計算コストを必要とするので,イネコンバインハーベスタのような組込みデバイスでの走行に適していない。リアルタイムでイネコンバインハーベスタの周辺環境を検出し,同定するために,ネットワークモデルサイズを低減するネットワークモデルサイズを減らすために,ネットワークモデルサイズを縮小するニューラルネットワークを,入力モデルとして広いニューラルネットワークを取り上げて,コンパクトモデル(以後,”pruned model”と呼ぶ)を,画像カスケードネットワーク(ICNet)に基づいて適用した。ネットワーク昇華は,対応するバッチ正規化層を有するチャネルスケーリング因子に関するL1正則化を課すことによって,ICNetにおける畳込み層のチャネルレベルスパース性を実行して,それはよりコンパクトなモデルを得るために畳込み層におけるより少ない情報特性チャネルを除去する。次に,試験セットに関する結合(IoU)に関する平均交差によって,各々の剪定モデルを評価した。圧密比が80%の時,それはモデル体積サイズの97.4%の減少を与え,元のモデルと同等の精度で1.33倍速く走行する。結果は,圧密比が80%未満であるとき,元のモデルと比較して,わずかに減少した精度を有するより効率的(より少ない計算コスト)モデルを達成したことを示した。現場試験は,障害物検出の性能を確認するために,剪定モデル(80%圧密比率)によって実施した。結果は,衝突回避の平均成功率が,Jetson Xavier上で640×480画素の画像サイズで,32.2FPSの平均処理速度(31.1ms/フレーム)で96.6%であることを示した。それは,ロボットハーベスタにおける障害物検出と衝突回避のために,剪定モデルを使用することができることを示した。Copyright 2020 Elsevier B.V., Amsterdam. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： 圧密 ,  畳込み ,  セグメンテーション ,  ネットワーク ,  *ロボット ,  コンバイン ,  ニューラルネットワーク ,  画素 ,  正則化 ,  正規化 ,  *学習アルゴリズム ,  計算コスト ,  *深層学習 ,  畳込みニューラルネットワーク
準シソーラス用語： ネットワークモデル , 【Automatic Indexing@JST】

著者キーワード (5件)： ロボットコンバイン収穫機 ,  深層学習 ,  人間検出 ,  画像カスケードネットワーク ,  ネットワークスリム化

分類 (3件)： パターン認識  (JE07000S) ,  人工知能  (JE08000Z) ,  ニューロコンピュータ  (JC06010Q)

タイトルに関連する用語 (7件)： ロボット ,  ハーベスタ ,  障害物検出 ,  衝突回避 ,  深層学習 ,  アルゴリズム ,  実装