Cuando el robot de eliminación de pintura para barcos en crucero automático sufre interferencias externas, existen problemas como la disminución de la precisión del algoritmo de detección y la dificultad para cumplir con los requisitos en tiempo real. Para resolver estos problemas, primero se introdujo el módulo de red móvil profundamente separable con parámetros ajustables (Repvit-MobileNet block) en la red principal de YOLOV5 para mejorar la velocidad de detección. En segundo lugar, se añadió un mecanismo de atención posicional después de cada etapa del backbone para ampliar el campo receptivo global del modelo, mejorando la localización del objetivo y la capacidad anti-interferencias del modelo. Luego, se introdujo el módulo de atención de bloques convolucionales (CBMA) en la red del cuello, fusionando el módulo CBMA para mejorar la capacidad de extracción de características y mejorar el rendimiento de detección del modelo. Finalmente, se propuso una función de pérdida Refine-Loss, que optimiza la relación geométrica entre el cuadro predicho y el cuadro verdadero, considerando el peso de IOU y la información de confianza, para mejorar la precisión de la detección de la posición objetivo del robot. Se realizaron pruebas y validaciones en un conjunto de datos experimentales del robot de eliminación de pintura para barcos, y los resultados mostraron que la red ligera YOLOV5 que fusiona el Repvit-MobileNet block y los mecanismos de atención alcanzó una precisión media de detección del 84,1% con una velocidad de inferencia de 26,6 fotogramas por segundo en dispositivos edge, cumpliendo con los requisitos de aplicaciones industriales para la detección de objetivos del robot de eliminación de pintura para barcos.

robot de eliminación de pintura;ligereza;mecanismos de atención;detección de objetivos