关键词： 视觉SLAM   动态场景   目标检测   位姿估计  

摘要： 针对传统的视觉同步定位与地图构建(SLAM)在动态场景下容易受到运动物体干扰,导致位姿估计精准度和鲁棒性下降的问题,提出了一种基于目标检测网络的视觉SLAM算法。该算法通过在ORB-SLAM2的跟踪线程中新增动态特征点检测剔除模块,从而利用静态特征点进行位姿估计。首先,选择YOLOv7作为目标检测的主干网络,结合GhostNet轻量化卷积网络和具有SE注意力机制的卷积(Conv_SE),以有效地检测周围环境;其次,对检测到的物体进行分类处理,剔除动态物体特征点,通过几何约束的方法进一步检测和剔除潜在运动物体;最后,仅利用静态特征点进行特征匹配和位姿估计。在TUM数据集上的验证结果表明,与ORB-SLAM2相比,提出的算法在动态Walk序列下,绝对轨道误差(ATE)的均方根误差平均减少96.5%,在其他动态序列下也有改进效果。实验证明,该算法在动态场景下能够显著提升系统的定位精度和鲁棒性。

关键词： 目标检测   深度学习   YOLOv3  

摘要： 文章通过对YOLOv3算法目标检测原理进行深入分析,使用自采数据集道路场景中常见的行人、车辆和红绿灯等数据对算法模型进行训练,通过改变模型输入、过滤无意义目标物,以及调整学习策略,利用较小的训练集和较少的训练轮次获得实时性强、精度较高的目标检测模型。实验表明,改进方法在测试集上平均精度达到71.58%,比传统YOLOv3算法提高1.94%,并且算法检测速度达到70.04 f/s,较优于传统YOLO系列算法。同时将该方法应用于车辆行驶动态数据集,能够实现针对视频中道路目标的实时检测。

关键词： 环境感知   目标跟踪   点云处理   卡尔曼滤波   交并比  

摘要： 激光雷达点云目标跟踪是环境感知与定位的重要研究内容,具有广泛的应用前景。由于激光雷达存在探测范围有限、易受遮挡和散射条件影响等问题,无法保证跟踪过程中目标点云特征的完整性和正确性,跟踪目标丢失时有出现。为了提高跟踪过程中的鲁棒性,提出一种基于卡尔曼滤波的2D激光点云跟踪方法。该方法首先对聚类后的点云建立包围盒集合,其次对包围盒跟踪框建立卡尔曼滤波模型,将前一帧跟踪框最优估计值与当前帧包围盒,通过交并比方法进行关联性匹配,将关联性最大结果作为当前帧目标点云,并更新卡尔曼滤波模型参数,从而实现目标点云的实时跟踪。实验结果表明,所提方法提高了跟踪过程的鲁棒性和准确性。

关键词： Jetson Nano   YOLOv5   饮料瓶盖分类   目标检测   计算能力  

摘要： 文章采用YOLOv5目标检测模型实现了一种基于Jetson Nano的饮料瓶盖分类检测系统。传统瓶盖分类方法通常需要耗费大量的人力和时间资源,存在准确性和效率低的问题。为提高瓶盖分类的准确性和效率,文章利用计算能力强和功耗低的Jetson Nano搭建了YOLOv5模型,并对饮料瓶进行了精确的分类检测。其中,首先介绍了YOLOv5模型的原理和特点,其次详细描述了基于Jetson Nano的饮料瓶盖分类检测系统的设计和实现过程。该系统在饮料瓶盖分类检测方面的准确性和效率较高,具有很高的应用价值。

关键词： 显著性目标检测   分层解码   渐进融合   邻间聚合   边界细化  

摘要： 现有显著性目标检测方法大多只关心模型的检测精度,容易忽略模型的编解码效率,导致网络运行速度较慢.针对上述问题,本文提出一种基于分层解码和渐进融合的快速显著性目标检测网络,并分别设计语义提取模块、空间增强模块和边界提取模块,对编码器提取到的多尺度特征进行分层筛选和高效解码.其中,语义提取模块可准确定位显著性目标的整体区域,空间增强模块可完整保留显著性目标的空域信息,边界提取模块可增强显著性目标的边界轮廓.由于不同层级特征的感受野和分辨率不同,本文设计了邻间聚合模块和边界细化模块,对筛选后的特征进行渐进式融合并逐步细化得到最后的显著性预测图.实验结果表明,所提方法不仅能够得到边界清晰、区域完整的显著性预测图,还能显著提升模型的编解码效率,快速检测显著性目标,在ECSSD和HKU-IS数据集上的最大值F max分别为0.947和0.936,优于其他方法.

关键词： 云边端协作   架空线鸟巢   YOLOv5x   目标检测   目标定位  

摘要： 针对云端单一集中数据处理时效性低、架空线路上鸟巢检测精度不高、模型对边缘计算设备算力高消耗以及目标定位不准确的问题,提出了一种基于云边端协作的架空线路鸟巢检测与定位算法。该算法通过云、终、边缘3端的协作,解决了云端集中处理效率低的问题,并通过云边数据可视化协作解决由于角度及光线引起的图像不清晰问题。为了提高架空线路鸟巢检测的精度,该算法在YOLOv5x模型基础上进行了优化。首先,通过将主干特征提取网络中的C3模块替换为C2f模块,并在最后一层加入SE(squeeze and excitation)注意力模块,以提升模型对小目标的检测能力。其次,将激活函数替换为Mish函数,解决训练梯度饱和导致神经元停止学习的问题。为了降低模型对边缘计算设备算力的消耗,对改进后的模型进行剪枝微调以降低模型参数规模。基于此优化模型,提出了三维目标定位算法,结合GIS(geographic information system)系统对定位结果进行修正,实现了对检测目标的精准定位。实验数据显示,改进后的模型平均精度均值达到93.25%,比原YOLOv5x模型提升了3.44%,优化后的模型剪枝率达到45%。检测目标经过三维空间建模计算并通过位置修正能够定位到相应的杆塔,有效指导工作人员快速准确排除隐患。

关键词： 机器视觉   数字图像处理系统   系统设计   精度   摄像机  

摘要： 图像技术在计算机技术的发展推动下,被广泛应用于各个领域,且呈现出良好的应用效果。基于机器视觉的数字图像处理系统,已经成为现代科学和技术中不可缺少的工具。该文以此为出发点,探究基于机器视觉的数字图像处理系统设计方案,并思考系统的实际应用价值。

关键词： 狭小空间   仿生机器人   图像处理   深度机器学习   裂纹识别  

摘要： 飞机裂纹的检查贯穿飞机的整个生命周期,若不及时发现可能会带来严重的后果,尤其是飞机盒段等狭小空间部位,人不可达,微小裂纹难以快速检查,给飞机服役、地面强度及疲劳试验等带来重大安全隐患。本文研究了可自由进入狭小空间的仿生机器人平台,涉及仿生机器人机构、运动行为及步态规划、环境感知和避障等。开展了大量图像文本的数字增强、图像预处理、基于深度学习的图像裂纹算法等研究,在具有狭小空间特征的飞机盒段样件上开展了试验验证,通过盒段内部预设裂纹,有效地集成图像采集模块和仿生机器人平台,并结合图像采集环境调试,机器人路径规划、裂纹算法优化研究等,成功实现了对狭小空间内部的裂纹长度和位置的识别,为后续开展飞机裂纹全覆盖快速检查和维修策略提供技术支撑。

关键词： 海杂波   目标检测   图神经网络   无监督学习  

摘要： 受到复杂海洋环境的影响,雷达对海面慢速小目标难以实现高性能检测。对于这类目标,传统的基于能量的统计检测方法存在着严重的性能损失。针对这一问题,该文提出了基于互信息最大化框架下的海面小目标检测方法,实现海杂波背景下的无监督目标异常检测任务。首先,考虑到高分辨雷达回波不满足传统神经网络对样本独立同分布的假设,该文从图的角度重新建模数据,利用回波的空时相关特性来构建图拓扑结构。该文提出相对最大节点度并联合7个已有特征作为节点的初始表示向量。接下来,采用图注意力网络作为互信息最大化框架中的编码器学习节点表示向量。最后,使用异常检测算法进行目标检测,并实现虚警可控。经实测数据验证,使用快速凸包学习算法时,相比三特征检测器,所提检测器性能提升了9.2%;相比时频三特征检测器,性能提升了7.9%。当网络输出更高维的表示向量时,使用孤立森林算法的检测器的性能提升了27.4%。

关键词： 太阳电池   无监督域适应   目标检测   数据归一化   缺陷检测  

摘要： 为解决在太阳电池数据集域偏移问题,提出一种针对动态开放场景下光伏缺陷检测的数据归一化控制器(DNC),以提高网络的域适应能力。在测试阶段,该文的DNC方法通过修改模型参数,根据小批次样本数据(0.5%)来实现领域统计纠正。DNC可将目标域产生域偏移的数据映射到与源域数据相同的分布空间,而无需提前标注数据或访问目标域的全部数据。实验结果表明,DNC能显著提高目标检测模型对域偏移数据的适应能力。仅使用少量未标记的目标域数据(少于0.5%)就可在分布外数据上获得显著的性能提升,同时不会降低模型的预测速度(FPS)。