关键词： 智能焊接   多层多道焊   图像处理   特征提取   路径规划  

摘要： 基于视觉的机器人多层多道焊路径规划技术可以大幅缩减人工示教时间,提高焊接效率和质量,受到了广泛关注。然而,焊接过程中受强弧光、飞溅等因素的干扰和焊缝特征提取精度低等的影响,对机器人多层多道焊路径规划技术提出了严峻挑战。通过分析多层多道焊路径规划过程的传感器开发设计、图像处理、特征提取及多层多道焊缝填充等关键技术,阐述了机器人多层多道焊路径规划技术的应用现状,并对其发展趋势进行了分析与展望。

关键词： 小目标检测   数据增强   特征融合   特征增强  

摘要： 为有效解决小目标难以召回、易发生漏检的问题,提出一种基于特征融合和特征增强的YOLOv3改进算法。为增强模型的泛化性能,训练时利用Mosaic和Mixup方法联合数据增强。首先,为改善小目标检测召回率低的问题,延伸原特征融合网络至更浅层,并添加自底向上特征金字塔,使浅层特征层的细节和定位信息更多地传递至深层;其次,提出一种特征增强模块,增大感受野,使浅层特征层获得丰富的深层语义信息,优化特征层的表达能力;最后,将GIoU作为回归损失函数,以降低漏检率,实现更准确的回归。在Pascal VOC2007和VOC2012上进行仿真实验,实验结果表明,改进算法在保证检测速度的前提下,mAP(mean average precision)值提高4.4%。结果充分证明本文算法能有效提升小目标检测性能。

关键词： 铁道障碍物   深度学习   自动感知   目标检测   神经网络架构搜索  

摘要： 利用神经网络实现对列车运行环境的自动感知已成为保障列车安全运营的一种重要手段。然而,传统的神经网络模型设计往往依赖人工试错和经验积累,不仅耗时、费力,而且难以保证最终模型的性能最优。为此,文章提出一种零成本神经网络架构搜索方法来优化铁道障碍物目标检测模型。其首先构建一个全面的模型架构空间,并在此基础上,根据实际应用中的计算量需求对搜索范围进行有效约束,确保最终选择的模型在满足精度要求的同时也兼顾运行效率要求;接着,利用零成本神经网络架构搜索算法,快速预测各种架构的实际效果,无需进行冗长且耗时的实际训练;最后,通过比较不同模型的预期性能得分,选取最优者作为最终方案。实验结果表明,采用该方法,实现了0.711的均值平均精度以及6.12ms的单帧平均推理时间,效果显著优于同等计算量下基准模型的。

关键词： 变电站   无人机   自动巡检   动态目标  

摘要： 利用无人机对变电站的动态目标进行跟踪是实现变电站无人机巡检的重要技术了。本文将变电站内的动态目标分为可控对象与不可控对象两种,对其制定相应的描述模型,随后提出相应的关键点识别技术,结合数据融合的识别方法,提高其对环境的适应度,使其保持较好的识别精准度,并制定相应规避手段,具有良好的实用价值。

关键词： 异常用能检测   半监督学习   多通道特征拼接  

摘要： 研究有效学习含噪声标签数据集中异常用能行为特征的检测方法,对降低非技术性损失以保障电网经济与安全运行至关重要。针对异常用能检测问题,提出一种基于半监督目标检测的异常用能检测模型,该模型利用多通道特征拼接检测网络,提高了检测准确性,同时结合半监督学习方法,有效缓解了标签数据不足的问题,为异常用能检测提供了创新的技术路线。

关键词： 棉花   目标检测   三维定位   注意力机制   损失函数  

摘要： 【目的】旨在解决高质量采棉要求下,采棉机对不同姿态和品级的棉花进行精确识别与定位的问题,提出了1种基于改进YOLOX的棉花检测方法YOLOX-Cotton。【方法】YOLOX-Cotton使用YOLOX模型作为主体框架,包含识别模块和定位模块,并引入了CA(coordinate attention)模块和SIoU损失函数,以多种姿态、品级的棉花图片作为数据集,对其进行训练并测试。【结果】YOLOX-Cotton模型的识别模块能够识别不同姿态和品级的棉花,且模型精确率、召回率和平均精度均值达到92.9%、86.8%和92.4%,与原YOLOX模型相比分别提升了5.2、5.5和6.1百分点。该模型的定位模块能够准确获得棉花的位置,测量结果均在田间试验验证结果的阈值范围内,所有样本的标准偏差均小于0.01。【结论】YOLOX-Cotton能够有效解决采棉机在高质量采棉要求下对棉花的识别与定位问题,将为实现高质量采棉提供了有力的技术支撑。

关键词： YOLOv8   结构重参数化   渐进特征金字塔网络(AFPN)   道路目标   注意力机制  

摘要： 针对道路场景中目标尺度多变、复杂背景干扰导致检测精度低、漏检率高的问题,提出一种改进YOLOv8n的道路目标检测算法。引入多样化分支块(diverse branch block,DBB)构建C2fDBB模块,替代原算法中的C2f模块,增强网络多尺度特征提取能力。在路径聚合网络(path aggregation network,PANet)的基础上结合渐进特征金字塔网络(asymptotic feature pyramid network,AFPN)思想,提出PA-AFPN(path aggregation progressive feature pyramid network)特征融合方式,提升网络对多尺度特征的融合能力。设计SPPF2_TA(SPPF with dual-branch structure incorporating triplet attention)模块,通过在SPPF(spatial pyramid pooling fast)中引入平均池化分支和三重注意力机制(triplet attention,TA),有效整合多尺度信息,降低背景干扰对检测的影响。采用MPDIoU作为新边界回归损失函数,替代原损失函数,加速算法收敛,提高目标定位精度。在公开道路目标数据集BDD100K和SODA10M上的实验结果显示,改进方法的mAP@0.5相较于基线算法分别提升了5.7个百分点和7.3个百分点,计算量降低了0.6 GFLOPs。与其他主流目标检测方法相比,改进方法在计算量、FPS和mAP@0.5等方面均展现出显著优势,更加契合道路场景下的目标检测任务需求。

关键词： 三维目标检测   点云   注意力   残差块   数据增强  

摘要： 围绕目前三维点云目标检测中存在的特征提取不充分、困难(Hard)目标检测准确率低、模型泛化能力有待提高等问题,提出了一种新的单模态三维点云目标检测模型Myvoxel R-CNN,该模型由3个主要模块组成,分别是3D主干网络、2D鸟瞰区域建议网络(2D主干网络+区域建议网络(RPN))以及检测头,在3D主干网络中添加了多头自注意力模块和基于稀疏卷积的残差块,增强了3D主干网络的体素特征学习能力,捕获了更多数据和特征内部的相关性.设计了一个由注意力融合模块组成的2D主干网络,增加了原模型对2D特征的关注度.为了进一步增加所提出模型的泛化性,引入了一种新的数据增强方案——随机局部金字塔数据增强方法,以形状感知的方式生成增强对象样本.在KITTI数据集上,本模型对汽车Hard级别的检测精度AP 3D提升了约2.23%,此外简单(Easy)和中等(Moderate)类别分别提高了约0.60%和0.62%,对行人Easy级别的检测精度AP 3D、AP BEV分别提升了约0.62%和0.86%,Hard级别的AP 3D、AP BEV分别提升了约1.45%和1.53%,实验结果表明,Myvoxel R-CNN在KITTI数据集上的表现优于其他方法.

关键词： 计算机视觉   图像校正   任意位姿圆柱曲面   透视投影失真   位姿估计  

摘要： 机器视觉是检测圆柱物体表面缺陷的重要手段,正对圆柱物体拍摄图像的透视投影失真易于校正但拍摄条件十分苛刻,倾斜状态是圆柱物体视觉检测的常态。针对任意位姿圆柱物体表面透视投影导致的失真变形问题,提出一种基于圆柱曲面位姿估计的图像校正方法。该方法在提取圆柱图像两侧边线的基础上,利用圆柱半径和系统成像参数估计圆柱曲面与相机之间的位姿关系,通过建立的圆柱曲面位姿变步长优化迭代算法,实现圆柱曲面位姿精确计算。在此基础上,构建圆柱曲面细分网格点与原始图像像素坐标点的对应关系,然后将曲面展开为平面,建立展开的细分网格点与校正图像像素坐标点的对应关系,从而创建校正图像像素坐标点与原始图像像素坐标点的映射关系,对原始图像进行重采样得到校正图像。实验结果表明,圆柱曲面位姿估计的平均距离误差为0.3 mm、平均角度误差为0.60°;表面贴有棋盘格圆柱物体的图像相邻角点的平均距离标准差从校正前的12.2 pixels降至校正后的0.8 pixels;校正后的实际场景图像能有效识别出圆柱曲面上的文字,圆柱曲面上缺陷的测量误差不超过0.1 mm。校正后的圆柱物体图像消除了圆柱曲面倾斜投影失真和“近大远小”透视变形,验证了提出方法的有效性。

关键词： 光学晶体   维氏硬度   YOLOv5s   概率霍夫直线  

摘要： 硬度是衡量材料软硬程度的一种性能指标。针对镥铝石榴石(lutetium-aluminum garnet,LuAG)和镥镓石榴石(lutetium-gallium garnet,LuGG)等光学晶体弹性小、受压易破损、压痕边界不清晰的特点,提出一种基于图像处理的光学晶体维氏硬度测量方法。利用深度学习YOLOv5s网络,从图像中分割出维氏压痕目标位置,进行自适应二值化,选取最大连通域、骨架提取,进一步通过概率霍夫直线检测特定方向线段,得到压痕4个顶点的准确位置。实验结果表明,平均相对误差可以控制在1.5%以内,有效降低了传统网络算法和传统图像处理算法的计算误差,适用于对光学晶体维氏硬度的自动化精确测量。