关键词： 割草机器人   路径规划   CCD*   纹理特征   计算机视觉  

摘要： 首先,采用运动控制、能源、传感器、核心处理器和割草等5个模块设计了农业割草机器人试验平台;然后,利用纹理特征对障碍物图像分割算法进行分析研究;最后,基于CCD*实现了割草机器人的全区域覆盖作业。实验结果表明:使用研究的CCD*算法大大提高了割草机器人全区域覆盖作业的能力和作业效率。

关键词： Faster RCNN   DBSACN聚类   目标检测   锚框  

摘要： 钢铁是我国工业生产的重要原材料之一,其表面质量问题会直接影响产品的使用,从而带来无法预知的风险,故对钢铁表面进行缺陷检测具有重要意义。而在缺陷检测过程中,存在因裂痕缺陷特征不明显,导致缺陷定位不准确以及检测难度高等问题。针对以上问题,本研究提出一种改进的Faster RCNN算法,在主干特征提取网络上引入自适应模块,增强网络提取有效特征的能力,同时使用DBSCAN聚类算法取得合适的先验框,大大提高了算法的检测效率。实验结果表明,改进的Faster RCNN算法模型对不明显的缺陷特征检测能力大幅度的提升,相比其他检测算法,在钢板表面缺陷检测中能达到高质量、缺陷定位准确、分类成功率高的效果。

关键词： 无人机遥感   图像处理   超像素分割   多元局部二值模式特征   道路边界提取  

摘要： 城市道路环境通常是大规模且复杂的,使得无人机采集图像中的影子和模糊等因素会导致道路边界的模糊或不清晰,使得精确提取变得困难。为此提出基于无人机遥感的城市道路边界高精度提取。利用无人机遥感设备采集城市道路遥感图像,对其实施色调-饱和度-亮度(Hue Saturation Value, HSV)色彩空间变换、反射率转换、图像配准和融合处理,去除图像噪声,提高其清晰度;利用简单线索化迭代聚类(Simple Linear Iterative Clustering, SLIC)超像素分割算法分割遥感图像中的道路和非道路像素区域;通过多元局部二值模式(Local Binary Patterns, LBP)特征提取方法实现城市道路边界的高精度提取。实验结果表明,所提方法在提高遥感图像清晰度和去除图像噪声干扰的同时,具有较高的道路边界提取精度和提取效率,边界提取所用时间仅为2.74ms。

关键词： 智能交通   路侧感知   目标跟踪   卡尔曼滤波   高精度地图   极化图  

摘要： 在车路协同路侧感知研究中,由于点云数据量庞大且存在着不可避免的目标遮挡情况,导致检测效率低、目标轨迹不稳定和跟踪精度低的问题。针对上述问题,提出了1种融合高精度地图的多激光雷达路侧智能感知方法,通过融合高精度地图信息,提高感知结果的准确性和可靠性。该方法分为3个部分:①通过多激光雷达的标定结果,利用高精度地图完成三维点云区域中感兴趣区域的提取,从而有效减少待处理点云的数量,提升计算效率;②基于极化图高斯混合背景模型的背景建模方法,利用极化图完成运动目标快速检测,避免大规模激光点云的直接处理,有效提升检测效率;③利用车辆航向与车道线方向一致性约束,将高精度地图中的车道方向转化为卡尔曼滤波框架下的车辆状态线性约束,改善车辆检测与轨迹跟踪的性能。实验中,分别在仿真交叉路口与实车实验道路双T形路口对算法与模型进行测试验证。相比于其他方法,所提出的方法数据量减少了55%,目标检测准确率提高了12%,耗时减少了56%,目标跟踪的误差极值、误差均值以及均方根误差均有所降低。实验结果表明:所提的方法能有效融合高精度地图信息,在大范围道路场景下实现对道路运动目标的快速检测与稳定跟踪。

关键词： 目标检测   佩戴检测   YOLOv7算法   小目标  

摘要： 维修培训人员在进行培训时需要佩戴手套对飞机进行维修工作,若未佩戴手套进行操作,可能会出现安全问题。针对机务维修培训中,传统人工对培训人员是否佩戴手套的检测效率低下、容易漏检和误检,无法保障培训人员在培训过程中的安全问题,提出了基于改进YOLOv7的检测方法。在YOLOv7中引入SPDconv模块,提高模型针对小目标和低分辨率图片的检测性能。同时,在模型的Backbone中加入CBAM注意力机制,以提高模型的精度。改进后的YOLOv7手套佩戴检测算法平均精度均值达到86.5%,相较于原本的YOLOv7算法,精度提高了4.3%。实验表明,改进后的算法能有效地检测出维修培训人员的手套佩戴情况。

关键词： 目标检测   网球回收   深度学习   鬼影残差块   坐标注意力机制   双向特征金字塔   非极大值抑制  

摘要： 为实现智能网球回收机器人的高精度实时网球检测,提出一种轻量级网球检测算法CAG-YOLO。提出融合坐标注意力的Ghost残差块(coordinate attention ghostbottleneck, CAG),构建轻量型骨干网络CAG-Backbone,采用加权双向特征金字塔网络加强特征融合。采用SCYLLA-IoU计算坐标回归损失,改进非极大值抑制的后处理方法解决网球重叠问题。算法在Wtennis数据集上的实验结果表明,CAG-YOLO较基线方法的精度提高8.6%且模型体积减少31.7%,检测速度为21 ms,性能优于其它算法。CAG-YOLO能够用小规模参数提升检测精度,易于移植至移动智能设备。

关键词： 目标检测   样本分配策略   离散位置基准   分配冲突率  

摘要： 针对目标检测网络中检测头的设计缺少依据,不能对不同数据集进行相应优化的问题,用一至四维的空间离散基准和正样本点(组)分配冲突率模型,提出了相应的设计依据。即基于位置的分配原则中,针对特定数据集的正样本点在4个回归量所组成的空间维度中的分布特点,在不高于指定的分配冲突率的条件下,以减少正负样本不均衡度和系统计算资源为目的,设计出具有最少点数检测头的规律。其本质是一个回归基准编码和正负样本分配设计的过程,进而实现检测性能与资源消耗之间的平衡。得出基于卷积目标检测网络检测头的回归基准可以采用4个回归中的任意组合,但需结合样本分配策略与数据集的正样本分配冲突率进行综合设计的结论。

关键词： YOLOv5   输电线路   多目标检测  

摘要： 为了全方面识别并检测输电线路部件,本文基于改进的YOLOv5算法设计了一种用于输电线路的多目标检测系统。通过优化YOLOv5算法参数量和浮点计算量,将Bottle颈部网络CSP改为轻量级跨阶段部分模块,实现了网络结构的轻量化,同时提高了检测性能。研究结果表明,改进YOLOv5的参数量能够满足输电线路部件检测的精度、轻量化与实时性要求。该系统可以实时检测输电线路部件,并提高输电线路设备的维护和管理效率。

关键词： 疵点检测   YOLOv7算法   目标检测   特征提取   注意力机制  

摘要： 针对纺织工业生产中织物疵点形状多变、目标范围较小等问题,提出了一种改进YOLOv7特征提取网络,引入可改变核卷积的不规则织物疵点识别算法。在YOLOv7特征网络中引入可改变核卷积替换传统卷积块,利用可改变核卷积的任意采样形状和任意参数量特性来提高疵点的特征信息采集效率,在采样时可以更加适应不规则的疵点形状和尺寸特征;同时嵌入高效多尺度注意力,利用跨维度的交互来捕捉像素级别的关系,提高模型处理微小特征的能力。通过实验验证:改进后的模型各类别样本的检测精确率P达到95.1%,相比YOLOv7基线模型提升了7.3个百分点,召回率R提升了7.2个百分点,mAP@0.5提高了12.3个百分点;检测精度与检测速度均大幅提升。改进后的模型对不规则织物疵点和疵点范围较小的目标识别检测效率更高,可为工业场景下织物疵点的高效快速识别提供技术支持。

关键词： 图像处理   模糊PID   絮凝剂投加  

摘要： 净水处理工艺中,混凝过程是一个大滞后、非线性的复杂系统。针对其特点并结合目前国内外加药控制研究现状,开发了一种基于絮凝体图像处理、模糊逻辑控制的前馈-串级智能加药系统。通过水样图像采集与处理提取絮凝体特征关键参数,计算絮凝体等效直径,建立投加模型确定絮凝剂投加量,再通过模糊PID控制及前馈补偿实现絮凝剂的全自动调节和精准投加。系统监控及性能分析显示,与传统手工投加对比,智能投加系统沉淀后出水浊度标准偏差降低27%,与设定值的相对误差控制在10%以内,絮凝剂的投加量节省11.04%,在絮凝剂投加量和处理效果上具有显著优势,表现出良好的可行性和推广潜力。