| 使用环境 |
在机加工车间环境中，用于自主导航小车（AGV）的导航系统。车间内有多种设备和人员，目标类别较多且密集，环境复杂。AGV需要准确识别可通行区域和不可通行区域，以实现自主导航和避障。 |
| 使用对象 |
机加工车间内的不可通行区域、可通行区域、道路线、窗户、门、普通机床、数控机床、加工中心、桥式起重机、人、桌子、椅子、电脑、货柜、零件或零件箱 |
| 使用目的 |
通过语义分割技术，为AGV提供精确的环境理解，使其能够自主导航并避开障碍物，提高生产效率和安全性。 |
| 输入数据 |
可见光波段图像帧，图像分辨率321×321像素，RGB三通道。 |
| 输出数据 |
语义分割结果，包括不同目标类别的像素级分类标签。 |
| 硬件配置 |
CPU：Intel Core i5-8400，主频2.80GHz。
GPU：NVIDIA GTX 1060 Ti，6GB显存。
内存：8GB DDR4。
摄像头：普通RGB摄像头，分辨率321×321。
传感器：无特定传感器。
接口：USB 3.0接口连接摄像头。
硬盘：512GB SSD。
显卡：NVIDIA GTX 1060 Ti。
网卡：Intel Wi-Fi 6 AX201。 |
| 样本获取 |
在昆明理工大学机械加工车间场景环境获取235幅实拍图像，通过网上下载365幅机加工车间场景图像作为数据集扩充，共形成600幅图像。统一将图像尺寸修改为321×321，通过人工标注对应图像的真实值（ground truth, GT）获得图像数据集。数据集划分为训练集500幅，验证集80幅和测试集20幅 |
| 测试结果 |
对测试集20个样本进行测试，平均交并比（mIoU）达到56.04%，验证精度提升5.14%。 |
| 执行速度 |
单次分割速度约150ms/次。 |
| 资源消耗 |
CPU：4核，计算占比平均约60%。 GPU：显存占用约4GB，计算占比平均约70%。 内存：使用占比约40%。 |
| 源码类型 |
本算法有Python版本源码，使用售卖方式三进行授权。 |
| 文件大小 |
算法程序文件40K，权重文件350M。 |
| 相关备注 |
本算法基于DeepLabv3模型架构，通过扩展分支结构、设置不同比例的空洞卷积扩张率、改善棋盘效应，并添加多尺度特征融合的解码器单元，显著提升了机加工车间场景语义分割的精度和效率。 |
