基于语义分割的沥青路面裂缝智能识别

针对传统的沥青路面人工检测效率低、缺乏客观性的弊端，提出基于语义分割的沥青路面裂缝智能识别方法.综合考虑数据集规模、算法种类、网络种类及深度、损失函数类型的影响，对22个语义分割模型开展对比研究，提出适用于较大、较小规模数据集的优选裂缝智能识别方案及对应模型.基于北京六环高速公路沥青路面，建立裂缝分割数据集R-Crack，对提出的智能识别方案进行应用检验，并自动量化裂缝参数.结果表明：检测准确率最高达到83.45%，通过对比人工及自动化检测方式获得的裂缝参数计算结果，裂缝长度和宽度平均误差分别为2.84%和2.39%，提出的智能识别方案为高速公路等场景下沥青路面裂缝的智能检测实践提供依据.     

基于M-Unet的混凝土裂缝实时分割算法

针对主流深度学习裂缝分割算法消耗大量计算资源、传统图像处理方法检测精度低、丢失裂缝特征等问题,为了实现对混凝土裂缝的实时检测和在像素级水平上分割裂缝,提出一种基于轻量级卷积神经络M-Unet的裂缝语义分割模型,首先对MobileNet＿V2轻量网络进行改进,修剪其网络结构并优化激活函数,再用改进的MobileNet＿V2替换U-Net参数量巨大的编码器部分,以实现模型的轻量化并提升裂缝的分割效果。构建包含5 160张裂缝图像的SegCracks数据集对提出方法进行验证,试验结果表明：优化后的M-Unet裂缝分割效果优于U-Net、FCN8和SegNet等主流分割网络和传统图像处理技术,获得的IoU＿Score为96.10%,F1＿Score为97.99%。与改进前UNet相比,M-Unet权重文件大小减少了7%,迭代一轮时间和预测时间分别缩短了63.3%和68.6%,IoU＿Score和F1＿Score分别提升了5.79%和3.14%,并且在不同开源数据集上的交叉验证效果良好。表明提出的网络具有精度高、鲁棒性好和泛化能力强等优点。     

面向水下场景的轻量级图像语义分割网络

提出面向水下场景的图像语义分割网络，考虑到速度和准确度之间的权衡问题，网络采用轻量且高效的编解码器结构.在编码器部分，设计倒置瓶颈层和金字塔池化模块，高效地提取特征.在解码器部分，构建特征融合模块融合多水平特征，提升了分割的准确度.针对水下图像边缘模糊的问题，使用辅助的边缘损失函数来更好地训练网络，通过语义边界的监督细化分割的边缘.在水下语义分割数据集SUIM上的实验数据表明，对于320像素×256像素的输入图像，该网络在NVIDIA GeForce GTX 1080Ti显卡上的推理速度达到258.94帧/s,mIoU达到53.55%，能够在保证高准确度的同时，达到实时的处理速度.     

基于像素差分卷积神经网络的类岩石裂缝检测方法

针对现有裂缝检测算法提取的局部梯度信息不足而导致裂缝识别精度低的问题,提出了一种基于像素差分的编码器-解码器U型结构的裂缝检测方法。使用由像素差分卷积块和残差块组成的PDCBlock作为网络的编码器,将两种不同方向上的像素邻域的差分值计算融合到卷积网络运算中,以充分获取裂缝语义信息的同时更好地捕获局部梯度信息,使得在背景复杂的情景下裂缝边缘识别更准确。在混凝土类岩石裂缝数据集CRACK500上对比了同类方法,实验结果表明：该方法在上述数据集上的平均交并比和D_sc分别为0.436 3、0.580 4,裂缝分割精度、相似性上均优于对比方法。     

基于通道加权FPN的熔池检测与特征提取方法

为了获取使用熔池特征参数对增材制造进行反馈控制的输入参数,提出了一种基于通道加权FPN的激光增材制造熔池语义分割算法和基于图像像素阈值的熔池方向、面积和宽度特征参数提取算法.语义分割算法主要包含轻量级的主干神经网络、通道加权特征FPN网络.实验结果表明,熔池图像的分割速度可达79.76张/s, mIoU和mAP分别可达90.53%和95.79%,且模型大小仅为90MB.与其他相同类型的深度学习模型相比,该算法在保证精度的同时,提高了检测速度,减少了模型参数量和大小.熔池图像特征参数提取算法则结合了相机拍摄的原始图像与分割完成的图像的像素阈值分布情况,能够准确分析并计算出熔池的方向、宽度与面积特征参数.     

水下机器人S面控制器的免疫遗传算法优化

S面控制器是实践证明有效的水下机器人的运动控制器算法,但参数调整困难.如何针对特定载体选取最佳的控制器参数,是影响到控制效果的重要问题.为了减少参数手工调整所带来的误差和繁琐劳动,提出了水下机器人S面控制器的免疫遗传优化算法.利用免疫算法产生多样性抗体的能力,抗体浓度自我调节,抗原的免疫记忆功能实现了S面控制器参数优化计算的快速收敛,避免了局部峰值的徘徊.给出了S面控制器的推导过程,免疫遗传算法求解的一般过程.详细论述了S面控制器参数免疫遗传优化的具体实现.大量的仿真实验和湖中实验得到了确定性的结果.表明了此算法对于水下机器人运动非线性控制器的参数寻优能达到很好的效果.     

基于PSENet的自然场景文字检测网络改进

由于自然场景中的图像背景复杂、文字排列不规则、光照条件不确定等因素文字检测难度较大,且传统检测方法的效果并不理想。在研究文字分割检测方法PSENet(Progressive Scale Expansion Network)的基础上,提出了一种针对自然场景文字检测的改进方法。该方法由卷积神经网络提取特征模块,再通过渐进式规模扩张对文字区域进行分割检测。改进点主要是使用高精度的语义分割网络RefineNet(Refinement Network)对卷积网络特征提取模块进行优化,且增加较多的残差连接及链式池化,提高网络对文字区域的检测精度。通过对数据集ICDAR2015的实验结果对比表明所提出的改进算法在精度方面略高于改进前,且能更好地解决文字粘连问题。     

基于多级特征并联的轻量级图像语义分割

针对当前语义分割算法普遍具有网络结构复杂和计算开销巨大的问题,为了综合提高语义分割算法实时性和精确度,提出计算高效的基于多级特征并联网络（LSSN）的轻量级图像语义分割网络. 该算法综合考虑网络的参数量、运行速度和性能,能更好地应用到嵌入式设备和可移动设备上. 应用微调的深度卷积神经分类网络作为特征提取网络结构,提取网络不同深浅层语义和位置特征. 提出空洞残差增强模块和深度空洞空间金字塔模块分别处理来自特征提取基准网络的深层特征和浅层特征,并将深浅层特征按特定维度比例以并联的方式进行融合. 所提方法在PASCAL VOC 2012数据集上准确度（平均交并比）为77.13%,与当前具有高性能的语义分割算法和实时语义分割算法相比,能更好地平衡网络的实时性和精确度,具有更优的实用价值和性能效果.     

基于多级特征并联的轻量级图像语义分割

针对当前语义分割算法普遍具有网络结构复杂和计算开销巨大的问题,为了综合提高语义分割算法实时性和精确度,提出计算高效的基于多级特征并联网络（LSSN）的轻量级图像语义分割网络.该算法综合考虑网络的参数量、运行速度和性能,能更好地应用到嵌入式设备和可移动设备上.应用微调的深度卷积神经分类网络作为特征提取网络结构,提取网络不同深浅层语义和位置特征.提出空洞残差增强模块和深度空洞空间金字塔模块分别处理来自特征提取基准网络的深层特征和浅层特征,并将深浅层特征按特定维度比例以并联的方式进行融合.所提方法在PASCAL VOC 2012数据集上准确度（平均交并比）为77.13%,与当前具有高性能的语义分割算法和实时语义分割算法相比,能更好地平衡网络的实时性和精确度,具有更优的实用价值和性能效果.     

基于图像预处理和语义分割的电力巡检机器人视觉导航方法

由于光照和恶劣天气的影响,传统图像处理方法用于巡检机器人视觉导航方面的识别效率不高,为此,提出一种基于图像预处理和语义分割的电力巡检机器人视觉导航方法。首先,提出基于自适应伽马校正方法的图像增强方法,解决强光、弱光和光照不均对图像的影响,针对曝光情况采用LSTM预测模型自适应调整摄像头角度消除曝光,提升图像良好曝光度;然后,采用改进DenseNet网络对导航路径进行语义分割,提取路径目标区域,通过目标区域像素值的分布拟合机器人的前进路线并计算出偏移量,提供机器人调整行驶姿态的关键参数并利用模板匹配判断导航路径中的走向、定位与分叉标志。实验结果表明,该算法能有效解决由光照和恶劣天气所导致的识别精度低的问题,提高复杂环境下巡检机器人导航定位的精准度。     

融合多分辨率表征的实时烟雾分割算法

针对烟雾分割领域缺乏应用于实际监控系统的实时烟雾分割算法的现况,提出高准确率的实时烟雾分割算法. 该算法利用轻量化的多分辨率卷积模块并行提取特征图,在获得丰富语义信息的同时满足实时分割的需求. 提出烟雾前景增强模块,使得烟雾像素点融合前景增强表征、避免背景信息干扰,分割准确率得以提高. 提出残差注意力模块,从通道、空间维度增强重要特征信息,抑制无效信息. 该算法在自建数据集上平均交并比为91.27%,每张图片预测时间为39.06 ms,网络权重为74.66 MB;在公开数据集上的对比结果表明,该算法综合检测性能优于其他烟雾检测算法. 该算法分割准确率高、检测速度快且模型轻量化,可以应用于实际视频监控系统.     

基于全连接条件随机场的图像语义分割算法研究

对于视觉场景的理解是机器人在未知环境中进行有目的的行动的一项重要能力,图像语义分割能够有效地帮助机器人理解周围场景的语义特性.条件随机场(Conditional Random Field,CRF)是解决语义分割问题的一个重要框架.针对传统条件随机场相邻节点数过于稀疏的局限性,研究了具有稀疏高阶势CRF的图像语义分割算法,提出一种高阶CRF的二次规划(quadratic programming,QP)松弛推理算法.首先,使用来自TextonBoost的一元势、高斯二元势以及由Pn-Potts模型推导得到的高阶势建立能量函数,然后利用高效的QP松弛推理算法来解决高阶CRF的能量最小化问题,最后采用Pascal VOC2012公开数据集进行实验,验证算法的可行性与有效性.实验证明,该算法有效地克服了传统条件随机场局限性,获得了更好的语义分割结果.     

微粒群优化和区域生长结合的彩色图像分割算法

提出了一种微粒群优化和区域生长相结合的彩色图像分割算法,以彩色图像直方图中自适应搜索到的峰值作为像素种子。由于搜索像素种子点是按密度进行,计算量小,大幅度提高了算法的计算速度,同时克服了传统区域生长方法不能自动选择种子且容易导致过分割的局限性。实验表明：该方法提高了图像分割速度,并可以准确地分割出目标,是一种有效的图像分割方法。     

可容错的遥控水下机器人递归神经网络控制

针对遥控水下机器人(ROV)需要长时间稳定可靠工作的问题,提出递归模糊神经网络及可容错分配推力的控制方法．使用扩展函数链改进递归模糊神经网络控制器,提高了控制器对机器人非线性特性的识别和处理能力;基于反向梯度传播原理,由能量函数设计了该网络的学习算法,并根据微粒群优化确定学习率参数,从而保证整个网络的收敛性;在推力分配方面,针对开架式遥控水下机器人的两种推力器布置形式进行建模,将容错问题转化为对偶优化问题,建立能量函数实现故障条件下的推力优化分配．实验结果表明,所设计控制器不仅增强了遥控水下机器人对干扰的反应能力,并且提高了对机器人非线性特性的控制能力,减少了控制误差．当部分主推或侧推等推力器失效时,仍可以通过推力优化分配实现机器人在水平面上的准确位置控制,从而保证了遥控水下机器人长时间可靠工作．     

一种基于新型Unet-Canny网络的安全带检测方法

针对机动车行驶中驾驶员是否正确系戴安全带的检测问题,提出一种融合目标检测和语义分割的新型UnetCanny网络的安全带检测方法。该方法需要用SSD网络定位驾驶员位置,将所采集信息输入Unet-Canny网络后对安全带图像进行分割。新型Unet-Canny网络是在Unet网络上添加Res-Canny模块后得到的。结合Canny算子和残差结构搭建的Res-Canny模块能够让网络在训练中增强对安全带边缘特征信息的提取能力,从而提高图像的分割效果。利用数据集对Unet-Canny网络的训练实验表明：新型Unet-Canny网络比FCN、PSPNet、SegNet、Unet等网络的检测效果好;使用所提出方法检测安全带的精确率比用Unet网络提升了3.4个百分点。     

改进的K-RANSAC椭圆检测方法

水下目标的自主探测与识别对于水下智能机器人(autonomous underwater vehicles)来说具有非常重要的意义，这种能力的大小决定了机器人对水下空间环境的理解程度和作业的成功与否。提出一种改进的椭圆检测方法用于水下目标的自主探测和识别，充分利用了ZOM边缘检测算法的抗噪声能力强，并能够同时提供边缘点的位置和方向信息的优点。吸取了K—RANSAC提取曲线的思想，并充分利用三点确定椭圆方程参数的优势减少投票次数。通过对真实水下图像中椭圆提取实验的结果表明，该方法节省时间，并具有很好的鲁棒性，可以用于水下智能机器人的目标识别。     

光机电

国内首台堤坝安全检测水下机器人哈尔滨工程大学成功研发的TB-1型堤坝安全检测水下机器人,通过了专家验收,并投入使用。这是国内首台自主研发的集水下摄像、检测、地表地形测绘、坝体内部损伤探测等功能于一身的多功能综合水下探测机器人。TB-1型堤坝安全检测水下机器人的分辨率高,不仅可检测堤坝表面厘米级的细小裂纹,还可检测堤坝内部孔洞的面积和位置,并对破损程度进行定量的测量,水下工作深度可达300米,涵盖了我国现有的大、中、小型水坝。此外,该水下机器人还可检测垂直坝体,对被淤泥掩盖的复杂水下水平结构体进行分层检测,既适用于…     

基于物体语义栅格地图的语义拓扑地图构建方法

为构建以房间为节点的语义拓扑地图,基于物体语义栅格地图,提出了一种利用虚拟门检测和房间物体包含关系的拓扑分割及房间概念生成方法。首先,依据机器人轨迹和房间主方向,检测满足真实门宽度的占据栅格;然后,采用几何和物体语义约束优化检测结果;最后,利用每个拓扑区域包含的物体语义生成房间概念。通过在多个场景测试,验证了算法的有效性。     

水下目标动态阈值检测的区间值模糊集熵方法

针对现有区间值模糊集的模糊熵度量的不足,提出该类模糊集的一种新的熵刻画,并将其应用到图像分割中.用区间值模糊集表示图像,依据最优阈值选取准则确定图像分割的初始阈值.结合Canny边缘检测结果研究一种针对水下图像的动态阈值分割算法,实现水下图像的目标检测.仿真实验结果表明该算法具有很好的图像分割和目标检测效果.     

基于最小扰动BP算法的水下机器人运动控制

针对神经网络学习中学习率起到的重要作用,本文提出一种基于最小扰动的神经网络BP算法,通过建立一个计算动态学习率的算法,在不影响网络学习的情况下,使得网络权值的变化最小,从而提高神经网络的稳定性和收敛的速度,作者运用该神经网络算法设计了水下机器人的运动控制器,实验结果表明,该算法具有良好的学习能力,据此设计的控制器控制效果良好,具有实用价值。