서비스 로봇의 시각적 물체 인식 시 밀집된 가림으로 인해 인식 성능이 저하되는 문제를 해결하기 위해 YOLOv7을 개선한 서비스 로봇 밀집 가림 물체 인식 방법을 제안한다. 첫째, 인식이 어려운 밀집 가림 물체의 특징 정보 손실 문제를 개선하기 위해 깊은 과파라미터화 합성곱을 사용하여 깊은 과파라미터화 효율적 집합 네트워크를 구축하고, 각 채널에 대해 서로 다른 합성곱 커널을 적용하여 네트워크의 인지 능력을 강화하고 네트워크가 객체의 가려지지 않은 영역 특징에 집중하도록 한다; 둘째, 밀집 가림 물체의 경계 구분이 어려워 인식에 영향을 미치는 문제를 억제하기 위해 좌표 주의 메커니즘을 백본 네트워크에 삽입하여 네트워크가 물체 위치 정보를 획득하고 특징 맵 내 중요한 영역에 더 잘 집중하도록 하여 네트워크의 특징 추출 능력을 강화한다; 마지막으로 경량화를 위해 Ghost 네트워크를 사용하여 계산량을 줄이고 모델 메모리 사용을 감소시킨다. 자체 구축 데이터셋과 공개 데이터셋에서 각각 모델 비교 실험을 수행한 결과 개선된 모델의 mAP는 각각 92.9%, 87.8%에 도달하였다. 본 논문 모델은 메모리 사용량을 줄이면서 인식 정확도 및 인식 효율이 향상되어 전반적인 성능이 우수하다.

밀집 가림;YOLOv7 개선;서비스 로봇;물체 인식