Bei Störungen durch externe Einflüsse im automatischen Patrouillenschiff beim Lackentfernungsroboter treten Probleme wie eine Abnahme der Algorithmen-Erkennungsgenauigkeit und Schwierigkeiten bei der Einhaltung der Echtzeitanforderungen auf. Um diese Probleme zu lösen, wurde zuerst der tief teilbare mobile Netzmodul (Repvit-MobileNet block) in das Rückgratnetzwerk von YOLOV5 eingeführt, um die Erkennungsgeschwindigkeit zu erhöhen. Anschließend wurde nach jeder Phase des Rückgratnetzwerks ein Positionsaufmerksamkeitsmechanismus hinzugefügt, um das globale Wahrnehmungsfeld des Modells zu erweitern und die Zielpositionierung sowie die Störfestigkeit des Modells zu verbessern. Dann wurde das konvolutionale Blockaufmerksamkeitsmodul (CBMA) in das Halsnetzwerk integriert, um durch die Fusion des CBMA-Moduls die Merkmalextraktionsfähigkeit zu verstärken und die Erkennungsleistung des Netzwerks zu verbessern. Schließlich wurde eine Refine-Loss-Verlustfunktion vorgeschlagen, die durch Optimierung der geometrischen Beziehung zwischen Vorhersagerahmen und tatsächlichem Rahmen unter Berücksichtigung des IOU-Gewichts und der Konfidenzinformation die Erkennungsgenauigkeit der Roboterzielposition verbessert. Getestet und validiert an einem Experimentaldatensatz für den Lackentfernungsroboter des Schiffes, zeigten die Ergebnisse, dass das leichte YOLOV5-Netzwerk, das den Repvit-MobileNet block und Aufmerksamkeitsmechanismen integriert, eine durchschnittliche Erkennungsgenauigkeit von 84,1 % und eine Inferenzgeschwindigkeit von 26,6 fps auf Edge-Geräten erreicht und die Anforderungen der industriellen Anwendung der Zielerkennung für den Lackentfernungsroboter des Schiffes erfüllt.

Lackentfernungsroboter;Leichtbau;Aufmerksamkeitsmechanismen;Zielerkennung