基于深度学习的花椒采摘器视觉识别

对于智能花椒采摘器中机器视觉部分在花椒枝干识别与采摘定位上的不足,本文通过将深度学习技术中的卷积神经网络模型与注意力机制这两种模型运用到智能花椒采摘器的机器视觉部分以提高采摘器的识别功效.结果 显示,经过优化后的卷积神经网络算法训练使采摘器对花椒簇的整体识别准确率由52.3％提高至96.7％,同时通过注意力机制算法提升了机器视觉对花椒树主枝干识别的抗干扰能力,帮助采摘器更加准确的判断出采摘点的位置.通过以上两种模型验证了深度学习技术在提高花椒采摘器机器视觉的算法准确性与抗干扰能力的有效性.     

基于YOLOv5s的晶粒检测算法

为解决传统晶粒定位容易受到光线、噪声等因素影响,耗费大量资源等问题,构建晶粒检测算法YOLOv5s-wafer。首先建立晶粒检测数据集,使用轻量级网络GhostNetv2作为主干特征提取网络,降低模型参数量;其次在特征融合网络中引入CA(coordinate attention, CA)注意力机制,加强特征提取能力;最后采用EIOU作为定位损失函数,提高晶粒检测精度。实验结果表明：算法的平均精度均值为99.3%,参数量为4.637×10⁶,检测性能和算法轻量化达到了理想平衡。     

基于SolidWorks的高枝花椒采摘器结构设计与运动仿真

分析了当前国内外花椒采摘的方法与工具的优缺点,详细论述了高枝花椒采摘的特点与工艺,提出了一种新型高枝花椒采摘器的结构设计方案。在设计过程中利用参数化设计软件SolidWorks强大的零件实体建模功能对花椒采摘器各个零部件进行三维造型设计,结构优化,并利用SolidWorks的零件快速装配功能进行装配,检查零件干涉情况。最后运用SolidWorks中的motion分析功能,通过运动仿真分析,模拟花椒采摘器的工作过程。     

结合多尺度上下文信息的唐卡小样本目标检测

通过对图像中感兴趣的对象进行分类与定位,能够帮助人们理解唐卡图像丰富的语义信息,促进文化传承。针对唐卡图像样本较少,背景复杂,检测目标存在遮挡,检测精度不高等问题,本文提出了一种结合多尺度上下文信息和双注意力引导的唐卡小样本目标检测算法。首先,构建了一个新的多尺度特征金字塔,学习唐卡图像的多层级特征和上下文信息,提高模型对多尺度目标的判别能力。其次,在特征金字塔末端加入双注意力引导模块,提升模型对关键特征的表征能力,同时降低噪声的影响。最后利用Rank&Sort Loss替换交叉熵分类损失,简化模型训练的复杂度并提升检测精度。实验结果表明,所提出的方法在唐卡数据集和COCO数据集上的10-shot实验中,平均检测精度分别达到了19.7%和11.2%。     

基于BCGS-YOLOv7 tiny的零件表面微小缺陷检测

为了解决零件表面众多形态复杂的微小缺陷检测效率低与检测精度不高的问题,选择以YOLOv7-tiny网络为基础架构进行改进,提出了BCGS-YOLOv7 tiny检测网络。特征提取阶段增加CBAM注意力机制,并用SPD-Conv下采样层代替跨步卷积和最大池化层,增强对小目标的特征提取能力;特征融合阶段将路径聚合特征金字塔（PAFPN）网络替换为BPANet网络结构,并引入gnCSP模块和SPD-Conv下采样层,改善小目标的特征融合能力。在重组的GC10-DET数据集上实验结果表明,BCGS-YOLOv7 tiny检测网络平均精度（mAP）达到91.6%,比原YOLOv7-tiny网络提高了6.0%。同时对零件表面各类微小缺陷的检测精度均有大幅提升。     

结合残差收缩和时空上下文的行为检测网络

针对R-C3D行为检测网络特征提取冗余度高及边界定位不准确的问题,结合残差收缩结构和时空上下文,提出一种改进的行为检测网络（RS-STCBD）。首先,将收缩结构和软阈值化操作融入到3D-ResNet的残差模块中,设计通道自适应阈值的残差收缩单元（3D-RSST）,并级联多个3D-RSST单元构建特征提取网络以消除行为特征中的噪声、背景等冗余信息;然后,在时序候选子网中嵌入多层卷积替代一次卷积,以增加时序侯选片段的时序维度感受野;最后,在行为分类子网引入非局部注意力机制,通过捕获优质行为时序片段间的远程依赖以获取动作时空上下文信息。在THUMOS14和ActivityNet1.2数据集上的实验结果表明：改进网络的mAP@0.5分别达到36.9%和41.6%,比R-C3D方法提升了8.0%和14.8%。基于改进网络的行为检测方法提高了动作边界定位精度和行为分类准确率,有利于改善自然场景下的人机交互质量。     

基于轻量化YOLOv4的轮毂内部缺陷检测算法

为解决常规深度学习方法检测轮毂内部缺陷存在模型尺寸大、参数多和精度低等问题,提出一种轻量化YOLOv4的轮毂内部缺陷检测算法。该算法采用MobileNetV3替换YOLOv4的主干特征提取网络,并利用深度可分离卷积模块对YOLOv4的PANet(path aggregation network)模块中的传统卷积进行了替换。同时,在PANet特征加强网络中加入通道注意力机制(SE)模块,提高了轮毂内部缺陷目标的识别精度。测试结果表明,所提算法检测精度为90.23%,权值文件为45.2 MB,检测速率为68.38帧/s。相较于常规模型性能有所提升,更适用于轮毂内部缺陷的快速、准确检测。     

基于多任务学习的视频异常检测方法

针对异常事件位于图像前景的某个局部区域,且背景区域对于异常检测存在干扰的问题,提出了一种多任务异常检测双流模型,模型架构包含未来帧预测网络和光流重构网络。首先利用前景检测算法获取自然图像和光流图像的目标区域,再将选取的区域送入到编码-解码网络完成未来帧预测和运动重构,对运动特征和表观特征进行提取,最后,使用深度概率网络给出的概率值作为判断异常的决策,并与重构损失及预测损失相结合来判断视频的异常性。本文针对大型场景的3个视频监控数据集(UCSD行人数据集、Avenue、Shanghai Tech)对本文提出的模型进行了异常性评估,所提出的方法在3个数据集上的AUC值分别为97.4%,86.4%,73.4%。与现有工作相比,本文的模型架构简洁且易于训练,异常检测结果更加准确。     

基于改进YOLOv3的前车检测算法的研究

近年来,计算机的算力越来越高,高性能辅助驾驶系统层出不穷。辅助驾驶主要包含感知、决策、控制三个部分。感知系统是整个辅助驾驶系统的“窗户”,因此感知的好坏直接影响到辅助驾驶的性能。在目标检测领域,深度学习得到越来越广泛的应用。深度学习的诞生伴随着更优化的算法、更高性能的计算能力、更大数据集的时代背景,以后的应用会深入到方方面面。本文基于YOLOv3算法,对算法的网络主体以及检测部分做改进和调优,引入SE注意力机制和DropBlock以获得对前车目标更高的检测精度。     

基于改进YOLOv5的人脸检测算法

随着计算机视觉行业的不断发展,基于卷积神经网络的目标检测算法也受到了研究人员的重视。针对传统的YOLOv5目标检测算法中的边界框回归损失函数GIOU存在当检测框与真实框呈包含的状态时会退化到传统IOU损失函数,以及当检测框和真实框相交时在垂直和水平两个方向上存在收敛速度慢的问题,提出一种改进的YOLOv5目标检测算法。在传统YOLOv5的基准网络中添加注意力机制,然后在边界框回归损失函数中引入真实框与预测框中心的欧式距离计算预测损失,并分别计算预测框与真实框之间的纵横比作为惩罚项以达到提高回归精度以及加快收敛速度的目的,最后将改进后的YOLOv5目标检测模型应用于人脸检测进行验证。实验利用wideface人脸数据集训练,训练结果表明改进的YOLOv5目标检测算法训练中的损失只有0.013,较传统的YOLOv5目标检测算法损失减少约13.33%,准确率达到82.28%,较传统的YOLOv5目标检测算法提高2.6%。实验表明该目标检测算法能很好的应用于人脸检测中。     

关于花椒采摘机器人的机械系统方案设计及其关键技术的分析

采摘机器人在农业生产中做出了突出的贡献.本次研究中以花椒采摘机器人作为研究对象,以充分调查花椒采摘环境作为前提条件对花椒采摘机器人机械系统要求参数进行设计,最终确定花椒采摘机器人的系统设计方案.     

基于注意力机-多任务网络的液压系统多状态监测识别方法研究

针对在复杂的多状态条件下,液压系统状态监测方法监测性能不高的问题,对多任务学习和注意力机制方法进行了研究,结合多任务与注意力机制,提出了一种基于注意力机多任务网络的液压系统监测方法.首先,利用注意力机制,根据不同传感器信号对任务贡献程度的大小,赋予了各个传感器不同的权重;其次,使用卷积网络(CNN)构建了自适应特征提取...     

基于改进YOLOV4的陶瓷基板瑕疵检测

陶瓷基板是半导体元器件的重要基础材料,其瑕疵检测对保证产品质量具有重要的意义。提出了一种基于改进YOLOV4网络的陶瓷基板瑕疵自动检测方法。针对陶瓷基板瑕疵尺寸较小、颜色形状多变以及不同类瑕疵间尺寸变化较大导致的瑕疵检测困难问题,改进的YOLOV4网络通过借鉴Complete Intersection over Union(CIoU)思想优化初始先验框设计,引入基于梯度协调机制的置信度损失函数和十字交叉注意力网络来改善缺陷检测能力。实验结果表明,基于改进YOLOV4的陶瓷基板瑕疵检测方法对于陶瓷基板污染、异物、多金、缺瓷以及损伤这5类瑕疵检测的平均准确性达到98.3%,可满足工业现场对陶瓷基板瑕疵的检测精度要求。     

引入注意力机制的轻量级小目标检测网络

为了提高在如无人机航拍图像等背景复杂情况下的小目标检测能力,本文在YOLOv4网络的基础上,提出了一种引入注意力机制的轻量级小目标检测网络.首先,在通道注意力机制中加入多尺度融合模块并构造多方法特征提取器,再将所设计的通道注意力模块嵌入到YOLOv4特征提取网络,增强网络对于图像感兴趣区域的关注能力;接着,改进YOLO...     

基于模型压缩的 ED-YOLO 电力巡检 无人机避障目标检测算法

针对现有卷积神经网络模型体积大、运算量高,导致电力巡检无人机检测速率与精度无法兼顾的问题,提出一种基于模型压缩的ED-YOLO网络实现无人机避障的目标检测算法。该目标检测算法以YOLOv4为基础,首先在主干网络中加入通道注意力机制,在不增加计算量前提下提高检测精度;其次在特征金字塔部分运用深度可分离卷积替换传统卷积,减少卷积计算量;最后利用模型压缩策略裁剪网络中冗余通道,减小模型体积并提高模型检测速度。在自主构建的9 600张电力巡检无人机飞行障碍的数据集进行测试,ED-YOLO与YOLOv4相比,其障碍物目标检测的平均精度均值只降低了1.4%,而模型体积减少了94.9%,浮点运算量减少了82.1%,预测速度提升了2.3倍。实验结果表明,对比多种其他现存方法,本文提出的基于模型压缩的ED-YOLO目标检测算法有着精度高、体积小和检测速度快的优势,满足电力巡检无机避障检测要求。     

基于改进YOLOv5算法的密集遮挡零件检测

针对零件在密集遮挡等复杂场景下存在视觉识别难度大、检测精度低和实时性差的问题,提出YOLOv5零件目标检测的改进算法。在YOLOv5的主干网络中添加卷积注意力机制模块,进而增强算法对零件的特征提取能力;将抑制准则改为考虑真实框与预测框重叠区域且同时计算两个框之间中心点距离的DIoU-NMS,并以此作为后处理方法,进而提高零件检测精度。试验结果表明,相比原始YOLOv5算法,本改进算法将mAP@0.5提升1.6%,识别速度达58.8帧/s,可以更好地完成检测密集遮挡零件的任务,同时保证了实时性。     

面向AR-HUD的多任务卷积神经网络研究

汽车上AR-HUD已经得到了广泛应用,其环境感知模块需完成目标检测、车道分割等多个任务,但是多个深度神经网络同时运行会消耗过多的计算资源.针对这一问题,本文提出一种应用于AR-HUD环境感知的轻量级多任务卷积神经网络DYPNet,其以YOLOv3-tiny框架为基础,融合金字塔池化模型、DenseNet的密集连接结构、...     

基于多任务Faster R-CNN车辆假牌套牌的检测方法

针对现有车辆假牌套牌各种检测方法存在计算复杂度高、检测精度低、鲁棒性欠缺等问题,提出一种基于多任务的高速区域卷积神经网络(Faster R-CNN)车辆假牌套牌的检测方法。首先利用时空约束得到疑似套牌车辆,接着用Faster R-CNN定位分割出车辆前脸部分图像,然后对疑似套牌车辆的车脸公脸部分(车辆的基本特征)的特征进行比对;在此基础上再对高仿套牌车辆的车脸私脸部分(车检标)的细微特征进行检测比对。这种分层次的、从车辆宏观特征到微观特征的视觉检测方法,具有检测速度快、鲁棒性高、泛化能力强、实施部署方便、检测精度高等优点。实验研究表明,在Vehicle ID数据集和杭州卡口数据集中分别取得了99.39%、99.22%的检测精度。     

基于GM-APD激光雷达数据融合的小目标检测

GM-APD激光雷达具有单光子探测灵敏度,大幅降低了系统体积和功耗,但受像元数限制,难以获得远距离小目标清晰轮廓,目标检测率不高。针对该问题,提出了基于强度像和距离像多级处理的小目标深度学习检测算法,充分挖掘强度图像和点云特征信息及相互关联性,提高小目标检测概率。通过改进特征金字塔网络,将感受野模块和注意力机制模块与特征提取网络相结合,增强强度像初筛目标准确性,在候选区域内将强度像与距离像融合成带有强度信息的四维点云。然后,使用动态图卷积网络对候选区内目标进行二次检测,利用点云信息进一步筛选候选框内的目标。经GM-APD激光雷达远距离车辆数据集测试,网络的检测准确率达到98.8%,对于车辆结构不完整,车辆回波弱,背景存在强反射光斑等复杂场景有很好的鲁棒性。相较于SSD,YOLOv5等较为先进的目标检测网络,检测准确率分别提升了3.1%与2.5%,该算法为激光雷达弱小目标检测识别提供了一种可行性解决方案。     

基于C-YOLOv5的烟叶烘烤熟度检测模型

针对目前烟叶烘烤房存在的烘烤质量较低,良品率较低等问题,提出一种自动化烟叶烘烤设备方案,依据工艺流程需要对烟叶熟度进行自动检测。通过增加注意力机制改进了Yolov5的算法实现C-Yolov5,以提高烟叶熟度自动判断的准确率。应用本项目建立的烟叶烘烤熟度数据集对两种模型进行训练,实验表明,相比于Yolov5模型,改进后的C-Yolov5每个训练轮次时间与原模型基本相同,平均预测准确率提高3.9%,mAP＿0.5:0.95比原模型高5%。对于准确检测烟叶烘烤熟度,降低烘烤成本、提升烟叶质量,具有重要意义。