关键词： 摘钩机器人   高精度视觉识别   目标检测   3D   空间重建  

摘要： 研究了高精度视觉识别技术在摘钩机器人中的应用,针对现代工业自动化中摘钩机器人在高风险、高强度作业环境中的需求,提出了一种结合视觉系统与深度学习算法的解决方案。研究对象为摘钩机器人系统,包括机械系统、视觉系统、控制系统和智能决策模块。通过使用高精度工业相机、3D激光扫描仪和深度学习模型,提升机器人在目标检测、特征匹配、3D空间重建及姿态估计中的精度与响应速度。采用了YOLOv5s网络进行目标检测、PointNet++网络用于3D点云分割,并通过改进算法提升检测精度和实时性。结论表明:基于高精度视觉识别技术的摘钩机器人能够显著提高自动化操作的精度与效率,具有良好的环境适应性与稳定性。

关键词： 视觉SLAM   ORB-SLAM3   光流法   动态环境   目标检测  

摘要： 针对目前大多数传统的视觉SLAM系统通常默认环境是静态的,但实际环境中是存在移动目标或者障碍物的,所以往往包含大量的误匹配点和动态点会导致系统定位精度降低的问题。提出一种基于ORB-SLAM3主体框架和深度学习技术的语义vSLAM系统,结合目标检测与光流法,旨在改进视觉SLAM系统在动态环境中的定位精度。首先,利用改进的YOLOX-S目标检测算法对潜在的动态目标进行识别;然后,利用几何法与光流法相结合精确检测异常值,并根据物体和人类运动状态不断调整动态包围盒的阈值。最终,保留动态框中包含静态框中的点,同时消除动态框中的其他点。在TUM和KITTI数据集上进行精确性的评估,实验结果表明,在数据集高动态序列下,与ORB-SLAM3,Crowd-SLAM比较,绝对轨迹均方根误差分别平均减少69.26%、16%,与DynaSLAM比较,在高动态场景中定位精度平均提升15%,这验证了在动态场景中提升了系统定位精度,此外,真实场景测试结果显示,该系统在各种动态环境中均表现出良好的性能。

关键词： 智能交通   机器视觉   目标检测   目标跟踪  

摘要： 传统交通检测方法存在检测效率低、计算成本高、准确性差等不足,为此,本文提出实时RT-DETR目标检测与BoTSORT目标跟踪相结合的机器学习算法,并通过实验证明本文所采用的技术在车辆检测精度上表现优异,能够有效识别并跟踪公路上行驶的车辆目标。进一步地,本文对交通冲突与车流量之间的关系进行分析,发现交通冲突频率与车流量之间存在显著的正相关关系。研究结果表明本文方法有助于提高交通检测效率和精度,可为交通主动管控提供支撑。Traditional traffic detection has shortcomings such as low detection efficiency, high computational cost, and poor accuracy. Therefore, this paper proposed a machine learning algorithm combining RT-DETR object detection and BoTSORT object tracking, and conducted experimental studies to prove that the employed technology performs excellently in detection and tracking of vehicles driving on highways. Furthermore, this paper analyzed the relationship between traffic conflicts and traffic volume, and found a significant positive correlation between the frequency of traffic conflicts and the increase in traffic volume. The results indicate that the method proposed in this paper helps to improve the efficiency and accuracy of traffic detection and tracking, which can provide support for active traffic control.

关键词： 目标检测   轻量化网络   YOLOv5s   SE通道注意力机制   通道剪枝  

摘要： 无人机航拍图像背景复杂、目标密集且小目标占比大,加大了目标检测的难度。基于深度学习的目标检测模型计算复杂度高,难以部署在无人机搭载的嵌入式设备上。针对此问题,提出了一种改进的基于YOLOv5s的轻量化航拍图像目标检测模型。首先将YOLOv5s主干网络的C3模块BottleNeck替换为轻量级的ShuffleNetv2网络,来降低模型的参数量和计算复杂度;其次在ShuffleNetv2网络中引入跨层信息交叉融合、SE通道注意力机制以及残差连接,来缓解卷积操作导致的特征通道数减少、网络中间层特征图的信息利用不充分问题;再次在YOLOv5s多尺度特征融合网络中引入SE通道注意力机制,来提高网络对关键特征的捕捉和提取能力;最后对改进的目标检测模型采用通道剪枝的方法使模型进一步轻量化。实验结果表明:在NWPU VHR-10数据集上,改进后的模型与YOLOv5s模型相比,目标检测的准确率和平均精度均值分别提升了3.5%,1.9%,模型的参数量和计算量降低了76%,48.7%,模型大小压缩了73.8%,检测速度提升了48%。

关键词： 目标检测   无人机航摄图像   增强特征提取   动态上采样   多尺度模块  

摘要： 针对当前主流的轻量级目标检测模型在无人机航摄场景下检测精度低的问题,提出一种基于YOLOv8s的高精度轻量级航摄图像目标检测模型LEFE-YOLOv8。首先设计内嵌注意力机制的增强特征提取卷积(EFEConv),其与部分通道卷积(PConv)及1×1卷积共同组成轻量级增强特征提取模块,在提高模型特征提取能力的同时降低了参数量与计算量。然后在特征融合网络中引入轻量级动态上采样算子模块,有效地解决了高层特征网络在上采样过程中的信息丢失问题。最后构建带有多尺度模块的检测头,提高了网络模型的多尺度检测能力。最终的实验结果表明,相较于基准模型,所提改进模型在VisDrone2019和HIT-UAV数据集上的平均精度分别达42.3%与83.9%,且参数量在10×10~6以下,更加适合航摄图像目标检测任务。

关键词： SAR   LoRA   DINOv2   目标检测  

摘要： 船舶目标检测在海洋安全、海上交通监控等领域具有重要意义,尤其是在基于合成孔径雷达(SAR)图像的目标检测任务中。为此,本文提出了一种新颖的算法,将低秩适应(Low-Rank Adaptation, LoRA)技术与DINOv2模型相结合,使得模型只需训练极少量的参数便能够超越传统全参数微调模型的表现。通过LoRA模块对DINOv2模型进行优化,显著减少了需要更新的参数量,使得模型在保持高效性的同时,提升了检测小型船只的能力。

关键词： 图像识别   枸杞鲜果   成熟度检测   YOLOv8   目标检测  

摘要： 为实现高效、精准、实时的枸杞鲜果成熟度无损检测,保证枸杞鲜果处于最佳采摘期,提出一种改进的YOLOv8模型的枸杞鲜果成熟度检测方法,在主干网络中引入大型可分离核注意力模块(Large Separable Kernel Attention, LSKA)加强对被遮挡果实成熟度特征的提取能力,同时在特征融合层引入信息聚集-分发(gather-and-distribute, GD)机制以提高不同尺度的特征融合能力,增强对不同大小的枸杞鲜果的识别检测能力。最终试验结果表明,改进的YOLOv8模型在测试集下的精确率为87.8%,召回率为75.1%,平均精度均值mAP为81.8%,每秒检测帧数为22.40,模型大小为13.3 MB。与YOLOv5n、RT-DETR和原始YOLOv8n模型相比,平均精度均值mAP分别提升2.5%、12%和1.7%。改进的YOLOv8模型可以为后续高效、低损、智能化的枸杞采摘机械研究提供基础。

关键词： 火焰检测   演化趋势   目标检测   知识图谱  

摘要： 为系统完整地探索火焰检测领域的研究现状、演化趋势及热点趋势,以期为当前工业领域火灾检测系统建设提供参考和借鉴。以2019~2023年web of science核心数据库相关文献为研究样本,利用文献计量学方法基于知识图谱进行文献共被引分析、关键词共现分析和社会网络分析,以期从国家、机构、作者和期刊等研究力量分布等多个角度对该领域研究热点及演化趋势进行分析。实验表明火焰检测研究结构包括特征提取、分类识别等层面;研究脉络涉及传感器、深度学习、图像分类、目标检测等方向;研究热点逐步向适应性强、受突发情况影响小、检测率高、误识率低的检测算法纵深演化。

关键词： 图像处理   教学改革   以学生为中心   编程实现   应用实例  

摘要： 为满足智能交通领域对图像处理人才的需求,培养学生图像处理编程能力和应用能力,本文基于成果导向的教育理念,探索图像处理技术课程改革方法。从学生作为课堂教学活动的主体入手,图像处理技术理论教学与图像处理编程实现相结合,提出以学生为中心的改革措施,具体为以学生学习效果为中心,通过编写程序代码,运行程序实现图像处理技术;以学生动手学习为中心,实现理论学习与应用实践同步培养;以学生应用能力提升为中心,图像处理技术教学与大学生创新创业项目、竞赛相结合;图像处理技术课程的考核方式兼顾教学实践与工程认证目标,把智能交通领域所需技术人员必备的编程能力和理论知识应用能力纳入课程考核中。教学改革结果表明,该方法既能加深学生对图像处理思维脉络的理解和掌握,又能培养学生图像处理技术编程能力和应用能力。

关键词： 视觉目标检测   无人机空对空目标检测   YOLOv5算法   轻量化   注意力机制  

摘要： 针对高动态场景下无人机(UVA)空对空目标检测任务中机载设备计算资源有限和UVA小目标检测困难的问题,提出一种基于轻量级注意力机制的无人机空对空目标检测算法SGC-YOLOv5。首先,设计S-Ghost模块和SD-Ghost结构构建特征提取网络SD-GhostNet,降低模型参数量和计算复杂度;其次,引入更高效的GSConv和VOVGSCSP结构细化特征融合网络,将SD-GhostNet和细化的特征融合网络相结合使模型达到最佳的轻量化效果;最后,在特征融合网络中加入轻量级卷积块注意力模块(CBAM)来突出图像中感兴趣的UVA特征,抑制背景冗余信息,提高检测精度。在数据集Det-Fly上的实验结果表明,SGC-YOLOv5算法的精确率为74.9%、参数量为4313695、检测速度为169.42帧/s、每秒浮点运算次数(FLOPs)为9.0×10^(9),与基准YOLOv5s算法相比,检测精确率提升2.5%、参数量减少48.5%、检测速度提升26.17帧/s、FLOPs降低57.5%,在实现模型轻量化的同时取得了较好的检测精确率。