关键词： 三维点云   目标检测   工业环境   Transformer  

摘要： 为了实现三维点云在室内和工业环境中的实际应用,文章改进了传统的目标检测转换器(Detection Transformer,DeTR)神经网络,并提出了一种基于分层抽象的多层点云特征提取方法;同时,设计了曲面特征提取模块对三维点云进行预处理,增强了点云的附加特征。在公开数据集ScanNet V2和工业室内数据集上对本文方法进行实验验证和评估,该方法在ScanNet V2上的mAP@0.5准确率超过最先进的模型(State-of-the-Art,SOTA)CAGroup3d,达到76.0%;在ScanNet V2上的mAP@0.25准确率超过最先进的模型CAGroup3d,达到62.2%,消融实验进一步验证了所述方法的准确性和高效性。

关键词： 公路洒落物   图像   激光雷达点云   目标检测  

摘要： 公路洒落物是影响交通安全的重要因素之一,为了解决中小尺度公路洒落物检测中的漏检、误检以及难以定位等问题,本文提出了一种图像引导和点云空间约束的公路洒落物检测定位方法。该方法使用改进的YOLOv7-OD网络处理图像数据获取二维目标预测框信息,将目标预测框投影到激光雷达坐标系下得到锥形感兴趣区域(region of interest,ROI)。在ROI区域内的点云空间约束下,联合点云聚类和点云生成算法获得不同尺度的洒落物在三维空间中的检测定位结果。实验表明:改进的YOLOv7-OD网络在中尺度目标上的召回率和平均精度分别为85.4%和82.0%,相比YOLOv7网络分别提升6.6和8.0个百分点;在小尺度目标上的召回率和平均精度分别为66.8%和57.3%,均提升5.3个百分点;洒落物定位方面,对于距离检测车辆30~40 m处的目标,深度定位误差为0.19 m,角度定位误差为0.082°,实现了多尺度公路洒落物的检测和定位。

关键词： YOLO v5   目标检测   克氏原螯虾   深度学习   卷积神经网络  

摘要： 针对传统人工判别克氏原螯虾性别效率低、成本高的问题,提出了一种基于YOLO v5的克氏原螯虾性别检测模型,实现了克氏原螯虾性别特征的自动判别。采用自主设计装置拍摄克氏原螯虾图像,使用Labelme工具进行基于雄虾交接器检测和基于区域特征检测两种方法的数据标注,在Pytorch框架下以Resnet-18为特征提取网络训练二分类模型,基于YOLO v5训练交接器检测和区域特征检测两种模型。结果表明:基于区域特征检测的模型具有较高的检测性能和准确性,能够高效、低成本地提取克氏原螯虾性别特征,对克氏原螯虾品种改良具有重要意义。

关键词： 行人检测   目标检测   YOLO   感受野   解耦头  

摘要： 针对行人检测在复杂环境下存在的高误检率和丢失率问题,提出了一种基于YOLOv5s的改进模型YOLOv5s-RFDH。该模型在保留YOLOv5s基线网络的基础上,在特征提取和检测部分进行了优化改进,以提高行人检测在复杂场景中的准确性和鲁棒性。针对CrowdHuman数据集和WiderPerson数据集进行行人目标检测。以上数据集行人密集且存在大量遮挡,因此,采用了K-Means++聚类算法来重新聚类数据集以获取适合数据的锚框;引入感受野模块(Receptive Field Block,RFB)来进行特征提取,在不同分支中使用空洞卷积增加感受野从而提取更深层次的特征信息,并最终将这些特征融合在一起,提升了小目标行人的检测精度;解耦头可以解决目标检测中的尺度不变性问题,引入解耦检测头将分类和回归任务分离,从而能够更加准确地检测到不同尺度和大小的目标。在CrowdHuman数据集和WiderPerson数据集划分出的测试集上进行对比实验,结果表明,改进后的模型在检测准确率上得到提升,丢失率有所下降,在以上两个不同数据集上检测准确率分别提升1.4%和1.2%,丢失率分别降低2.0%和1.7%。

关键词： 刹车片定位技术   汽车零部件扫描   刹车片称重系统   机器人   图像处理   轨迹识别  

摘要： 以解决制约刹车片生产线高效利用领域的瓶颈问题和实现清洁加工为主要任务,首次将自动包装系统引入到刹车片的生产线中,保证了产品外观的一致性、美观性,提高了生产效率,降低了用工成本。通过数据实时采集系统,实现了企业对整体生产现状的动态监测及分析,在刹车片生产行业首次通过整合机器人多工位协同作业技术,实现了摩擦料的自动化精密称量及精准投放功能,大幅度提高了整体产线的工作效率,并且有效规避了工人在热压工序上由高温带来的作业风险。通过开发复杂作业环境鲁棒性更强的识别算法和动态识别能力更强的模糊匹配智能算法,解决当前行业应用中识别准确度底、轮廓精度差等问题。同时,依靠与服务器系统的网络互联,采用了集中加分布式的控制方法,有效避免了集中控制任务过重、规划费时的缺点,同时分布式控制的工作空间检测可保证系统的安全冗余,提升整个系统的安全等级,实现汽车零部件未知复杂工况下的柔性应用。

关键词： 瓦楞纸板   翘曲检测   机器视觉   图像处理  

摘要： 国内瓦纸线的出口端纸板翘曲检测主要依靠人工肉眼判断,检测精度和效率十分低下,国外检测设备造价昂贵且在中国市场的适应性较差。提出瓦纸线出口端纸板翘曲度视觉在线检测及分类方法,根据瓦楞纸板横截面图像的横截面纹理特征息,经过图像预处理、一元二次函数最小二乘拟合并计算翘曲度。收集各翘曲类型纸板图像建立纸板翘曲模板库,计算翘曲度范围并实现纸板翘曲分类。实验表明,提出的翘曲检测及分类方法可以准确、稳定的算出瓦楞纸板翘曲度并完成分类。该方法可为进一步实现基于机器视觉的瓦纸线出口纸板翘曲在线检测与分类奠定了基础。

关键词： 边缘检测   点云分割   多项式拟合   跟踪  

摘要： 道路边缘检测是自动驾驶车辆环境感知的重要组成部分,有效地从点云数据中提取道路边缘信息,有利于进行目标检测以及可行驶区域检测。针对点云道路边缘检测问题,提出了一种考虑车辆等道路参与者对道路边缘检测带来干扰的解决方案。首先,采用地面点云分割算法,将原始点云分割成地面点云和非地面点云;其次,根据车辆等道路参与者的固有特性,采用点云聚类算法对点云进行聚类,并将符合车辆等道路参与者特性的非地面点云进行滤除;再次,根据道路边缘点云在二维平面内,能够有效地遮挡激光发射中心点与非道路边缘点之间的连线,从而提取道路边缘点云;最后,采用随机抽样一致性(random sample consensus,RANSAC)算法对道路边缘点云进行多项式拟合,并使用扩展卡尔曼滤波器对道路边缘进行跟踪。实验结果表明,所提点云道路边缘检测算法能够消除车辆等道路参与则对点云道路边缘检测的影响,且算法满足实车实时性和鲁棒性要求。

关键词： 光学经纬仪   雷达   坐标测量   引导   目标跟踪  

摘要： 光学经纬仪和弹道雷达都是重要的靶场测试设备。针对弹道雷达在目标飞行初始段存在盲区无法短时间捕获目标的问题,提出在弹道坐标测量过程中主动段光学经纬仪实时交会引导雷达跟踪目标,中末段弹道雷达引导经纬仪对目标继续成像的经纬仪-雷达配合跟踪策略,从而克服单一传感器的局限和不足。开展了理论分析并设计实地实验,验证方法的可行性和有效性,为提升空中目标跟踪标捕获率和丰富靶场弹道坐标测量方法手段提供借鉴和参考。

关键词： 花椒簇识别   农业机器人   深度学习   目标检测   YOLO v5  

摘要： 花椒树产果量大,枝干纵横交错,树叶茂密,给花椒的自动化采摘带来了困难。因此,本文设计一种基于改进YOLO v5的复杂环境下花椒簇的快速识别与定位方法。通过在主干提取网络CSPDarknet的CSPLayer层和Neck的上采样之后增加高效通道注意力ECA(Efficient channel attention)来简化CSPLayer层的计算量,提升了特征提取能力。同时在下采样层增加协同注意力机制CA(Coordinate attention),减少下采样过程中信息的损失,强化特征空间信息,配合热力图(Grad-CAM)和点云深度图,来完成花椒簇的空间定位。测试结果表明,与原YOLO v5相比较,改进的网络将残差计算减少至1次,保证了模型轻量化,提升了效率。同帧数区间下,改进后的网络精度为96.27%,对比3个同类特征提取网络YOLO v5、YOLO v5-tiny、Faster R-CNN,改进后网络精确度P分别提升5.37、3.35、15.37个百分点,连株花椒簇的分离识别能力也有较大提升。实验结果表明,自然环境下系统平均识别率为81.60%、漏检率为18.39%,能够满足花椒簇识别要求,为移动端部署创造了条件。

关键词： 无人机   目标检测   航拍图像   注意力机制  

摘要： 针对航拍图像目标检测中小目标特征模糊问题,提出一种改进YOLO_v5x的目标检测算法。通过在YOLO_v5x的主干和颈部网络中添加空间到深度(space-to-depth,SPD)模块来减少细粒度信息丢失;在检测输出端添加1个小目标预测头,提高算法学习低分辨率特征的效率;引入协调注意力(coordinate attention,CA)机制,将横向和纵向的位置信息编码到通道注意中,增强网络对不同维度特征的提取能力;在完整交并比(complete-intersection over union,CIOU)损失函数的基础上引入Alpha交并比(α-IOU)损失函数,获得更准确的边界框回归,实现图像中目标更精确的定位。通过在Visdrone数据集上对改进YOLO_v5x算法进行训练和对比实验,结果表明:相比于原YOLO_v5x,改进目标检测算法的平均检测精度提升了7.8%,小目标检测的平均精度达23.9%,能够有效识别无人机航拍图中的小目标;相比于RetinaNet、YOLOX-S、Grid-RCNN等目标检测算法,改进目标检测算法的小目标检测平均精度最高,在当前主流检测小目标算法中达到先进水平。