Para abordar o problema do baixo desempenho de reconhecimento causado pela presença de oclusões densas nos alvos a serem reconhecidos durante a captura visual por robôs de serviço, foi proposta uma metodologia de reconhecimento de alvos com oclusões densas para robôs de serviço, baseado na melhoria do YOLOv7. Primeiramente, para melhorar o problema da perda de informações características dos alvos densamente ocluídos que dificulta o reconhecimento, foi construída uma rede de agregação eficiente com sobreparametrização profunda utilizando convoluções excessivamente parametrizadas, aplicando diferentes kernels de convolução em cada canal para fortalecer a capacidade de percepção da rede e fazer com que a rede se concentre nas características das áreas não ocluídas dos alvos; em segundo lugar, para suprimir o impacto da dificuldade em distinguir os limites dos alvos com oclusões densas no reconhecimento, foi incorporado um mecanismo de atenção de coordenadas na rede principal, permitindo que a rede obtenha informações de posição dos alvos e se concentre melhor nas regiões importantes do mapa de características, fortalecendo a capacidade de extração de características da rede; por fim, foi utilizada a rede Ghost para uma melhoria leve, reduzindo a carga computacional e o uso de memória do modelo. Foram realizados experimentos comparativos em conjuntos de dados próprios e públicos, e os resultados mostraram que o modelo melhorado alcançou mAPs de 92,9% e 87,8%, respectivamente. O modelo proposto melhora a precisão e eficiência do reconhecimento, enquanto reduz o uso de memória, alcançando um desempenho geral superior.

Oclusões densas;melhoria YOLOv7;robôs de serviço;reconhecimento de alvos