基于改进Mask R-CNN的建筑钢筋尺寸检测算法

建筑施工现场钢筋图像背景复杂且干扰较多,传统图像检测算法无法有效利用特征信息,难以满足现阶段建筑智能监理行业中钢筋尺寸检测精度的验收要求。提出一种在Mask R-CNN模型基础上加入自下而上路径和注意力机制的改进模型BU-CS Mask R-CNN。在建筑工地现场拍摄图像后,整理自建钢筋数据集,并在此数据集上进行算法验证。实验结果表明,与Mask R-CNN模型相比,BU-CS Mask R-CNN模型的召回率、交并比和像素准确率分别提升了4.9%、6.8%、7.4%,钢筋直径和间距的尺寸检测精度分别提升了14.9%、4.4%,能得到更加准确的钢筋目标检测框和边缘分割掩膜,达到了行业中实际工程验收的精度要求。     

基于改进YOLO的建筑预埋件检测算法

针对面积较大或者楼层较高的建筑工程进行人工预埋件位置检查耗时费力的问题,提出基于深度学习的预埋件快速检测方法,配合无人机航拍对施工现场预埋件进行实时检测.利用SE-Net模块改进轻量化网络MobileNet,利用改进之后的SEMobileNet网络代替YOLO v3的特征提取网络,减少网络参数,在保证检测的准确性的同时显著提高了检测速度,实现了预埋件的高效检测.在预埋件数据集检测的实验中,改进之后的SEMo-bileNet-YOLO模型相比YOLO v3在准确率上提升了16.77百分点,在速度上提升了97.3％.结果表明,SEMo-bileNet-YOLO算法更加快速、准确,可以满足建筑工程中预埋件实时检测的要求.     

基于视觉的无人机板载自主实时精确着陆系统

传统视觉方案无法应对无人机降落过程中复杂的环境变化,难以实现在机载处理器上的实时图像处理。为此,提出一种适用于无人机板载端轻量高效的Onboard-YOLO算法,使用可分离卷积代替常规卷积核提升计算速度,通过注意力机制自动学习通道特征权重提高模型准确度。在运动模糊、遮挡、目标出视野、光照、尺度变化等5种干扰环境下进行降落测试,结果表明,Onboard-YOLO可以解决降落过程中的复杂环境问题,在板载端计算速度达到18.3 frame/s,相比于原始YOLO算法、Faster-RCNN算法分别提升了4.3倍、25.7倍,其算法平均准确度达到0.91,相比SSD-Mobilenet提高了8.9个百分点。经实际测试验证了该算法可实现无人机板载端的实时自主精准降落,达到95%以上的降落成功率。     

基于改进TLD算法的无人机自主精准降落

四旋翼无人机（Unmanned Aerial Vehicle,UAV）在航拍、测绘、环境监测、快递等航空领域的广泛应用,对四旋翼无人机的可用性和可靠性提出了更高的要求,而其实现自主精准降落的功能是必不可少的。对目标进行快速鲁棒性跟踪是实现降落的重要基础,TLD（Tracking Learning Detector）算法为这一问题提供了一种有效的解决办法,虽然许多学者对其进行了研究并对传统的TLD算法进行了改进,但算法的跟踪精度及速度仍然难以满足无人机的降落要求。提出了一种基于TLD框架的目标跟踪算法来实现无人机与特定降落目标之间的相对定位。该算法在TLD框架下,提出一种基于目标形状特征自主确定降落目标的算法,提高了降落流程的自主性;用核相关滤波器（Kernelized Correlation Filter,KCF） 实现了TLD框架中的跟踪器,提高了算法的实时性、精准度及鲁棒性;同时在降落过程中采用一种基于方向梯度直方图特征（Histogram of Gradient,HOG）和支持向量机（Support Vector Machine,SVM） 的目标识别方法,以实现目标检测自矫正,保证长时间准确跟踪目标。在七类模拟无人机进行降落的视频集下验证了该算法,与其他三种跟踪算法进行对比,并进行实际降落测试。测试结果表明,该算法的鲁棒性和精准度均优于其他算法,处理速度可达到31.47?f/s,故而在TLD框架下采用核相关滤波器作为跟踪器,对跟踪及检测结果进行有效融合并提高算法实时性的同时,增加的检测自矫正环节保证了长时间跟踪的准确度,从而有效地实现了无人机全自主精准降落。