Lorsqu'un robot de démasquage de peinture pour navires en croisière automatique est soumis à des perturbations externes, des problèmes tels que la baisse de la précision de détection de l'algorithme et la difficulté à atteindre les exigences de temps réel apparaissent. Pour résoudre ces problèmes, le module Repvit-MobileNet block de réseau mobile profond séparable a d'abord été introduit dans le réseau principal de YOLOV5 afin d'améliorer la vitesse de détection. Ensuite, un mécanisme d'attention positionnelle a été ajouté après chaque phase du réseau backbone pour élargir le champ réceptif global du modèle, améliorant la localisation des cibles et la résistance aux interférences. Puis, le module d'attention des blocs convolutifs (CBMA) a été intégré dans le réseau du cou pour renforcer la capacité d'extraction des caractéristiques en fusionnant le module CBMA, améliorant ainsi les performances de détection du modèle. Enfin, une fonction de perte Refine-Loss a été proposée, optimisant les relations géométriques entre la boîte prédite et la vraie boîte, tenant compte du poids de l'IOU et des informations de confiance, pour améliorer la précision de détection de la position de la cible du robot. Des tests et validations sur un ensemble de données expérimentales de robots de démasquage de navires ont montré qu'un réseau YOLOV5 léger fusionnant le Repvit-MobileNet block et les mécanismes d'attention atteint une précision moyenne de détection de 84,1 % et une vitesse d'inférence de 26,6 images/s sur des dispositifs périphériques, répondant aux besoins d'application industrielle de détection des cibles des robots de démasquage de navires.

robot de démasquage;légèreté;mécanismes d'attention;détection de cibles