崔学智，冯全，王书志，张建华

(1. 甘肃农业大学机电工程学院，兰州市，730070； 2. 西北民族大学机电工程学院，兰州市，730030；3. 中国农业科学院农业信息研究所，北京市，100081)

0 引言

目前在农用无人驾驶方面，较为成熟的路径规划和避障方案是使用卫星导航[1]配合毫米波雷达[2]，但这种方式对环境的感知水平较低，无法准确识别障碍物类型，只能在障碍物较少、信号良好的区域使用。相比于城市场景，农业田间场景障碍物体积相对较小，多数为柔性且位置固定(或移动缓慢)。探索快速、准确、经济的田间障碍物检测技术，可以推动无人驾驶农机发展，提升农业机械自动化和智能水平。

为解决田间障碍检测问题，很多学者采用计算机视觉技术进行了探索[3-4]，传统方法处理速度快，但难以胜任复杂场景的高精度障碍检测。近年来随着深度学习技术兴起，涌现出许多优秀的深度卷积神经网络[5-8]，它们在图像识别方面取得了良好效果，将这些网络作为主干网络，研究者们设计了专用于目标检测的网络模型[9-11]，其特征提取快，分类回归更为准确，逐渐成为目标检测的主流。一些学者开始在农业田间场景检测方面使用深度学习方法。李云伍等[12]将丘陵山区田间场景障碍物分11类，构建了基于空洞卷积神经网络的田间道路场景图像语义分割模型，该模型包括前端模块和上下文模块，前端模块为VGG-16融合空洞卷积的改进结构，上下文模块为不同膨胀系数空洞卷积层的级联，采用两阶段训练方法进行训练。……