YOLO object detection and classification using low-cost mobile robot

• Autorzy: Cherubin Szymon , Kaczmarek Wojciech , Siwek Michał

Identyfikatory

DOI

10.15199/48.2024.09.04

Warianty tytułu

PL

Wykrywanie i klasyfikacja obiektów YOLO przy użyciu niedrogiego robota mobilnego

• Języki publikacji: EN

Abstrakty

EN

The article presents a study of object detection and classification methods based on deep learning YOLO (You Only Look Once) implemented on the on-board computer (Raspberry Pi 4B) of a mobile robot. The research was carried out using a mobile robot working with the ROS Noetic platform, equipped with LiDAR, Kinect and odometric sensors. During the operation of deep neural networks, the average precision of mAP detection and the computing power consumption of the central unit without a graphics processor were determined. The HTOP package was used to observe computational processes and the level of CPU computing power consumption in real time.

PL

W artykule przedstawiono badanie metod wykrywania i klasyfikacji obiektów opartych na głębokim uczeniu YOLO (You Only Look Once) zaimplementowanych na komputerze pokładowym (Raspberry Pi 4B) zbudowanego robota mobilnego. Badania przeprowadzono z wykorzystaniem robota mobilnego współpracującego z platformą ROS Noetic, wyposażonego w czujniki: LiDAR, Kinect i odometryczne. Podczas działania głębokich sieci neuronowych określono średnią precyzję wykrywania mAP oraz zużycie mocy obliczeniowej jednostki centralnej pozbawionej procesora graficznego. Do obserwacji procesów obliczeniowych i poziomu zużycia mocy obliczeniowej procesora w czasie rzeczywistym wykorzystano pakiet HTOP.

Słowa kluczowe

EN

mobile robot; deep neural network; YOLO; object detection; object tracking; raspberry Pi

PL

robot mobilny; głęboka sieć neuronowa; YOLO; klasyfikacja obiektów; detekcja obiektów; raspberry pi

• Wydawca: Wydawnictwo SIGMA-NOT
• Czasopismo: Przegląd Elektrotechniczny
• Rocznik: 2024
• Tom: R. 100, nr 9
• Strony: 29--33
• Opis fizyczny: Bibliogr. 17 poz., rys.

Twórcy

autor

Cherubin Szymon

• Faculty of Mechatronics, Armament and Aerospace, Military University of Technology, Kaliskiego 2 Street, Warsaw, 00-908, Polan

autor

Kaczmarek Wojciech

• Faculty of Mechatronics, Armament and Aerospace, Military University of Technology, Kaliskiego 2 Street, Warsaw, 00-908, Polan

autor

Siwek Michał

• Faculty of Mechatronics, Armament and Aerospace, Military University of Technology, Kaliskiego 2 Street, Warsaw, 00-908, Polan

Bibliografia

• [1] Zainudin, M. N., et al., A Framework for Chili Fruits Maturity Estimation using Deep Convolutional Neural Network, Przegląd Elektrotechniczny, 12 (2021), 77-81, doi:10.15199/48.2021.12.13.
• [2] Khamil, K. N., Adnan, M. A. A., & Annuar, M. A. K., Design and Development of a Sanitization Robot (ROBOSAN V2), Przegląd Elektrotechniczny, 10 (2023), 82-87, doi:10.15199/48.2023.10.16.
• [3] Panasiuk J., Siwek M., Kaczmarek W., Borys S., Prusaczyk P., The concept of using the mobile robot for telemechanical wires installation in pipelines, p. 020054. doi:10.1063/1.5066516
• [4] Zuniga W. P. C., Navarro J. J. Q., Diaz J. D. P., J. Tavera S., A. Montoya A., Design of a Terrain Mapping System for Low cost Exploration Robots based on Stereo Vision, Przegląd Elektrotechniczny, 5 (2023), 270-275, doi:10.15199/48.2023.05.46.
• [5] Rezoug, N., Zerikat, M., & Chekroun, S., An efficient fuzzy pi approach to real-time control of a ros-based mobile robot. Przegląd Elektrotechniczny, 2 (2022), 1-5, doi:10.15199/48.2022.02.01.
• [6] Siwek M., Panasiuk J., Baranowski L., Kaczmarek W., Prusaczyk P., Borys S., Identification of differential drive robot dynamic model parameters, Materials 16 683. doi:10.3390/ma16020683.
• [7] Siwek M., Baranowski L., Panasiuk J., Kaczmarek W., Modeling and simulation of movement of dispersed group of mobile robots using simscape multibody software, p. 020045. doi:10.1063/1.5092048.
• [8] Redmon J., Divvala S., Girshick R., Farhadi A., You only look once: Unified, real-time object detection.
• [9] Szegedy C., Liu W., Jia Y., Sermanet P., Reed S., Anguelov D., Erhan D., Vanhoucke V., Rabinovich A., Going deeper with convolutions, IEEE, pp. 1–9. doi:10.1109/CVPR.2015.7298594.
• [10] Hosang J., Benenson R., Schiele B., Learning non-maximum suppression, Proceedings of the IEEE conference on computer vision and pattern recognition, 2017, 4507-4515..
• [11] L. L. Yin, M. N. Shah Zainudin, W. H. Mohd Saad, N. A. Sulaiman, M. I. Idris, M. R. Kamarudin, R. Mohamed, M. S. J. A Razak. Analysis Recognition of Ghost Pepper and Cili-Padi using MaskRCNN and YOLO, Przegląd Elektrotechniczny, 08 (2023), 92-97, doi:10.15199/48.2023.08.15.
• [12] Redmon J., Farhadi A.. 2016. Yolo9000: Better, faster, stronger, Proceedings of the IEEE conference on computer vision and pattern recognition, 2017, 7263-7271.
• [13] Redmon J., Farhadi A., YOLOv3: An Incremental Improvement, arXiv:1804.02767, University of Washington 2018.
• [14] Bochkovskiy A., Wang C.-Y., Liao H.-Y. M., Yolov4: Optimal speed and accuracy of object detection, arXiv preprint arXiv:2004.10934 (2020).
• [15] Wang C.-Y., Bochkovskiy A., Liao H.-Y. M., YOLOv7: Trainable bag-of-freebies sets new state-of-the-art for real-time object detectors, arXiv:2207.02696 (2022).
• [16] Raji F., Miao L., Optimal wireless rate and power control in the presence of jammers using reinforcement learning. ITU Journal on Future and Evolving Technologies. Volume 3, Issue 2, 508 522 (2022), doi:10.52953/ANSC4385.
• [17] Jocher G., ultralytics/yolov5: v7.0 - YOLOv5 SOTA Realtime Instance Segmentation, Zenodo, lis. 22, 2022. doi: 10.5281/zenodo.7347926.

Uwagi

Opracowanie rekordu ze środków MNiSW, umowa nr POPUL/SP/0154/2024/02 w ramach programu "Społeczna odpowiedzialność nauki II" - moduł: Popularyzacja nauki i promocja sportu (2025).