基于无监督深度估计的带雾图像生成方法

基于卷积神经网络的雾霾环境视觉目标检测,通常直接利用无雾条件下清晰的数据集对网络进行训练,网络无法通过训练集获取雾霾图像下目标的特征权重配置,因而检测效果不佳.为了提高雾霾环境下目标检测效果,从数据集构建角度入手,提出了一种在无雾图像上生成带雾图像的方法.首先以KITTI-objection数据集作为原始无雾图像,利用改进的Monodepth无监督深度估计方法生成原始图像的深度图像.然后构造几何先验深度模板,以图像熵为权值与深度图进行融合,并根据大气散射模型,由深度图像得到雾图像.最后,采用基于二阶的Faster-RCNN和基于一阶的YOLOv4两种典型的目标检测架构,对原始数据集、雾数据集、混合数据集进行训练,并对室外自然雾霾场景数据集RESIDE-OTS进行检测.实验结果表明,使用混合数据集训练下的模型检测效果最好,在YOLOv4模型下mAP值提升了5.6％,在Faster R-CNN网络下mAP值提升了5.0％,从而有效提升了雾霾环境下卷积神经网络的目标识别能力.     

基于无监督深度估计的带雾图像生成方法

基于卷积神经网络的雾霾环境视觉目标检测,通常直接利用无雾条件下清晰的数据集对网络进行训练,网络无法通过训练集获取雾霾图像下目标的特征权重配置,因而检测效果不佳.为了提高雾霾环境下目标检测效果,从数据集构建角度入手,提出了一种在无雾图像上生成带雾图像的方法.首先以KITTI-objection数据集作为原始无雾图像,利用改进的Monodepth无监督深度估计方法生成原始图像的深度图像.然后构造几何先验深度模板,以图像熵为权值与深度图进行融合,并根据大气散射模型,由深度图像得到雾图像.最后,采用基于二阶的Faster-RCNN和基于一阶的YOLOv4两种典型的目标检测架构,对原始数据集、雾数据集、混合数据集进行训练,并对室外自然雾霾场景数据集RESIDE-OTS进行检测.实验结果表明,使用混合数据集训练下的模型检测效果最好,在YOLOv4模型下mAP值提升了5.6％,在Faster R-CNN网络下mAP值提升了5.0％,从而有效提升了雾霾环境下卷积神经网络的目标识别能力.     

基于无监督深度估计的带雾图像生成方法（英文）

基于卷积神经网络的雾霾环境视觉目标检测,通常直接利用无雾条件下清晰的数据集对网络进行训练,网络无法通过训练集获取雾霾图像下目标的特征权重配置,因而检测效果不佳。为了提高雾霾环境下目标检测效果,从数据集构建角度入手,提出了一种在无雾图像上生成带雾图像的方法。首先以KITTI-objection数据集作为原始无雾图像,利用改进的Monodepth无监督深度估计方法生成原始图像的深度图像。然后构造几何先验深度模板,以图像熵为权值与深度图进行融合,并根据大气散射模型,由深度图像得到雾图像。最后,采用基于二阶的Faster-RCNN和基于一阶的YOLOv4两种典型的目标检测架构,对原始数据集、雾数据集、混合数据集进行训练,并对室外自然雾霾场景数据集RESIDE-OTS进行检测。实验结果表明,使用混合数据集训练下的模型检测效果最好,在YOLOv4模型下mAP值提升了5.6%,在Faster R-CNN网络下mAP值提升了5.0%,从而有效提升了雾霾环境下卷积神经网络的目标识别能力。     

高压输电线路除冰机器人障碍物识别方法研究

障碍物检测识别是高压输电线路自主除冰机器人的关键技术之一.针对220 kV输电线路特殊的机器人工作环境,提出一种基于视觉的障碍物识别方法.首先对拍摄的障碍物图像进行中值滤波、膨胀腐蚀等预处理,经OTSU阈值优化计算后,用小波模极大值算法提取图像边缘.然后计算障碍物边缘图像的联合不变矩特征,再把矩特征输入小波神经网络进行障碍物图像的分类识别.并选取防震锤、悬垂线夹、耐张线夹三类障碍物做识别试验,还把小波神经网络与普通BP神经网络识别性能进行了比较,实验表明:以联合不变矩作为障碍物识别特征具有良好的可靠性和稳定性;小波神经网络识别分类的性能良好,比普通BP神经网络具有更快的收敛速度和更高的识别精度.     

室内移动机器人自主导航系统设计与方法

针对移动机器人室内自主导航中环境检测、动态目标定位跟踪和路径规划,设计了"双目+单目"多信息融合的视觉系统。提出一种自适应环境、融合色彩饱和度信息的单尺度Retinex室内阴影消除算法,以有效提取障碍物信息及可行路面区域。研究了一种特征点辅助的时空上下文目标跟踪算法,运用目标特征点进行目标粗定位;引入特征点变化率信息,自动调节时空上下文模型更新,以有效提高复杂环境下动态目标定位的准确性。改进了传统速度向量场吸引速度、排斥速度和切向速度函数,解决了路径规划中机器人轨迹抖动、目标点附近震荡和目标处于障碍物排斥场不可到达等问题。移动机器人室内环境下自主导航实验实现了障碍物、机器人和目标特征提取及其实时定位,移动机器人以最短的避碰路径完成动态目标的有效跟踪。     

海底车避障系统神经网络算法建模分析

针对深海局部地形环境构形特征,结合海底车行走特性,将海底车越障范围内障碍物进行聚类划分,利用Surfer网格节点编辑器修改等值线,简化地形障碍物环境。将BP神经网络结构应用到海底车避障系统的神经网络设计中,提出适合海底车实现完全避障的BP网络模型,改善了BP神经网络的局部极小值问题;基于Matlab设计基于海底车避障系统的BP遗传神经网络程序,分析不同网络模型下的控制误差。结果可知:基于BP算法的避障神经网络模型具备良好的学习能力;集合两种方法的优点,对轨迹进行不断调整,达到避障的目的。     

复杂室内环境下的单一Kinect导盲系统

针对现有导盲设备存在的检测效果差,系统复杂,不便携带等问题,开发了基于单一Kinect传感器的导盲系统。该系统能够同时检测地面和头部之间的所有障碍物,并将准确的路况信息通过语音传递给用户,以实现导盲作用。该系统运用深度图像翻转算法和障碍物识别算法来识别地面障碍物、地面坑洞、悬空障碍物3种类型的障碍物;同时运用深度图像过滤算法和障碍物距离计算算法来确定有效范围内障碍物的位置。设计制作了导盲试验样机,在复杂室内环境多个场景下对障碍物的识别和检测进行了实验测定。实验结果表明:该导盲系统能够在一定范围内较为准确地识别面积大于10-3 m2的障碍物及高度差超过0.02m的坑洞,经过图像过滤可将用户身高以内,宽度1m内的障碍物的最佳避障路线通过语音传递给用户,满足了导盲需求。该系统的应用不仅对导盲具有重要作用,对机器人自主行走也有参考意义。     

电力线除冰机器人基于粒子群优化的小波神经网络障碍物识别方法

由于除冰机器人工作在覆冰的电力线上,障碍物的识别存在着各类障碍物区分较难,准确率较低等不足。为提高机器人自主识别能力,设计一种自适应阀值的小波变换边缘提取算法来提取出障碍物的图像边缘,并针对电力线障碍物结构特点,在障碍物边缘提取过程中设计一种基于电力线位置约束的有效剔除部分干扰背景的方法;引入小波矩,通过提取边缘图像的小波矩作为障碍物的特征匹配数据;根据神经网络和粒子群算法的原理,设计一种粒子群优化的小波神经网络进行障碍物的识别分类,该方法用粒子群算法取代传统的梯度下降法,并改进惯性权重因子,优化小波网络的各个参数。试验结果表明所提出的方法对电力线上防震锤、悬垂线夹和耐张线夹等障碍物能够有效地识别,并具有比普通识别方法更高的识别精度。     

无人水面艇三维激光雷达目标实时识别系统

为解决无人水面艇动态环境目标动态感知问题,研究无人艇三维激光雷达目标实时识别系统。设计出无人艇三维激光雷达目标实时识别系统结构、硬件组成及数据通信协议。基于点云库(Point cloud library,PCL)、Qt和Visual Studio平台开发了无人艇三维激光雷达目标实时识别系统软件,实现了点云数据校正、实时处理、数据显示、状态输出、远程通信等功能。考虑到无人艇航行时周边环境障碍物三维激光点云分布特征,将三维激光点云投影至多属性二维栅格进行表示,利用八邻域算法实现了障碍物栅格的聚类,解决了点云数据处理、目标分割、点云图像远程交互等关键技术。最后,构建了室外水池环境下的无人艇三维激光雷达目标实时识别系统试验平台,测试结果表明该系统能够可靠、准确识别无人艇周围100 m范围内的障碍目标。     

基于多模态特征融合的自主驾驶车辆低辨识目标检测方法#br#

针对自主驾驶车辆在真实驾驶环境下对低辨识目标的识别问题,提出了基于多模态特征融合的目标检测方法。基于Faster R-CNN算法设计多模态深度卷积神经网络,融合彩色图像、偏振图像、红外图像特征,提高对低辨识目标的检测性能;开发多模态（3种）图像低辨识度目标实时检测系统,探索多模态图像特征融合在自动驾驶智能感知系统中的应用。建立了人工标注过的多模态（3种）图像低辨识目标数据集,对深度学习神经网络进行训练,优化内部参数,使得该系统适用于复杂环境下对行人、车辆目标的检测和识别。实验结果表明,相对于传统的单模态目标检测算法,基于多模态特征融合的深度卷积神经网络对复杂环境下的低辨识目标具有更好的检测和识别性能。     

基于多模态特征融合的自主驾驶车辆低辨识目标检测方法

针对自主驾驶车辆在真实驾驶环境下对低辨识目标的识别问题,提出了基于多模态特征融合的目标检测方法。基于Faster R-CNN算法设计多模态深度卷积神经网络,融合彩色图像、偏振图像、红外图像特征,提高对低辨识目标的检测性能;开发多模态(3种)图像低辨识度目标实时检测系统,探索多模态图像特征融合在自动驾驶智能感知系统中的应用。建立了人工标注过的多模态(3种)图像低辨识目标数据集,对深度学习神经网络进行训练,优化内部参数,使得该系统适用于复杂环境下对行人、车辆目标的检测和识别。实验结果表明,相对于传统的单模态目标检测算法,基于多模态特征融合的深度卷积神经网络对复杂环境下的低辨识目标具有更好的检测和识别性能。     

改进的BP神经网络在车辆目标识别中的应用研究

遥感图像下的车辆目标识别系统大多是基于传统的BP神经网络算法,传统BP神经网络算法存在诸多问题,如易形成局部极小而得不到全局最优、训练次数多、学习效率低、收敛速度慢等,影响和限制车辆目标识别系统的识别能力.针对传统BP神经网络存在的缺陷,为进一步提高车辆目标识别系统的识别精度,提出采用随机梯度下降法和深层滑动神经网络对传统BP神经网络进行改进.实验表明,改进后的BP神经网络具有良好的学习能力和更快的训练速度,适用于车辆目标识别系统的优化.     

基于卷积神经网络的设备安装位置智能识别方法

该文针对IT系统集成机柜建立了一套基于卷积神经网络的柜内设备智能识别系统。设计基于图像处理和深度学习的识别算法以实现机柜内设备安装位置的检测识别。建立设备图像数据集对YOLO模型进行训练,得到合适的加权系数,使模型损失函数值最小;将训练好的模型对实际环境中的机柜进行检测并与其他经典方法进行对比。实验结果显示,该系统检测的准确率和实时性都优于其他算法,准确率最高达到93.9%。对于建立基于机器视觉的设备识别和控制系统有重要意义,可以在一定程度是上取代人工识别和操作。     

基于神经网络的点目标多光谱信息融合识别方法

为了解决动态红外点目标多光谱模式识别问题,提出了一种利用神经网络并行子网作为前级处理,证据理论于后级融合的多周期模式识别推理模型。由于并行子网的引入,该模型避开了识别过程中采用单一神经网络所带来的大样本训练问题,用带有加性噪声的点目标红外光谱作为识别模型的目标数据源进行了算法验证,计算结果表明该算法对多周期不确定性证据有很强的证据聚焦能力。     

混响环境下移动机器人语音控制方法及系统实现

为了满足移动机器人交互控制多样性需求,提升移动机器人的语音控制性能,设计基于语音的移动机器人控制系统。通过对控制信号传递过程和机器人使用环境中语音信号噪音源分析,制定出移动机器人语音控制系统组成方案,给出前端语音识别部分实现的主要流程,重点对语音增强的解混响算法进行设计。充分利用语音潜在的谱特征,将非负矩阵分解和深度神经网络结合提出一种解混响算法,先通过矩阵分解得到语音信号特征,再生成特征矢量来训练激活函数,降低深度神经网络模型的训练复杂度,经过对比分析表明该算法对解决语音混响问题具有优势。编写控制软件并嵌入语音识别算法,搭建工业移动机器人语音控制平台来验证语音控制系统有效性,在混响环境下不同人对机器人多个动作进行语音控制实验,结果表明该系统能够实现移动机器人语音控制,所提出的语音识别方法可使机器人在0.3、0.6和0.9 s的混响条件下动作正确平均执行率分别能达到96%、95%和93%以上。     

基于深度学习算法的车辆视觉检测方法的研究

针对现有汽车制造过程中外观质量检测环节存在的问题,提出通过深度学习算法完成对车辆外观质量检测方法的研究。利用深度学习算法在抗干扰性、识别精度、处理速度等方面的算法优势,将其应用在汽车实际生产过程中。首先对深度学习理论进行梳理与研究,确定合适的算法与模型;依据实际的生产场景特点来抽离实验场景构建所需核心要素,并完成实验环境的搭建;在获取原始图像之后,对其进行灰度映射、噪声滤波等预处理,同时完成对图像的特定标记;以TensorFlow为网络模型框架,设计多层神经网络;通过搭建R-FCN算法模型来实现网络模型训练与检测;最后在实验环境下对算法模型的准确性进行验证。本文旨在将深度学习、视觉识别等前沿技术应用在汽车制造业中,提升汽车制造业外观检测的自动化、智能化水平。     

基于神经网络和模型迁移学习的不相关多源频域载荷识别

针对使用模型初始权重随机设定的神经网络模型进行不相关多源频域载荷识别时训练效率低、精度低的问题,提出一种基于神经网络和模型迁移学习的不相关多源频域载荷识别方法.首先,利用某频率点的历史数据对不相关多源载荷识别的多输入多输出神经网络模型进行训练;其次,将该频率下的神经网络的模型参数迁移到相邻的目标频域的神经网络中作为网络权值的初值;再次,利用目标频率的历史数据对神经网络进行微调训练,从而得到目标频率的不相关多源频域载荷识别模型;最后,将该频率的训练好的神经网络的模型参数迁移到下一个相邻频率的模型,循环该过程直到建立所有频率点的神经网络模型.在圆柱壳声振实验数据集上的载荷识别结果表明,该方法具有较好的网络权值初值、能有效减少训练时间,比不使用迁移学习的神经网络方法、基于传递函数和最小二乘广义逆的方法、基于多元一次线性回归的方法具有更高的识别精度.     

复杂环境下磁弹性微型游泳机器人的路径规划与识别跟踪

磁弹性材料设计的毫米级微型游泳机器人可通过外部均匀磁场实现连续形变来完成游泳动作,通过视觉反馈能提高机器人的路径跟随精度,但在复杂背景下机器人的视觉闭环控制易发生识别错误、跟踪失败等现象。针对上述问题,首先获取复杂环境下的障碍物信息,提出改进RRT*算法(IIC-RRT*)进行路径规划,同时基于环形平滑标签的YOLOv5识别跟踪算法(CSL-YOLOv5),在复杂背景下对微型游泳机器人的中心位置与旋转角度进行实时更新。在此基础上进行微型游泳机器人在障碍物复杂背景下的位置与角度的双闭环伺服控制,试验结果表明,提出的路径规划算法改善了路径生成的效率与平滑性,识别跟踪算法提高了微型游泳机器人的识别稳定性与精确性,为磁控微型游泳机器人在复杂背景下的精确控制提供了新思路。     

SSD模型在门式起重机障碍物检测中的应用

针对传统的门式起重机障碍物检测方式与避障手段中易受自然环境、现场条件、后期维护等因素的影响以及功能泛化能力较差的问题,提出了一种基于视觉的SSD模型障碍物检测方法。这种检测方式是一种基于回归方法的深度学习目标检测算法,通过对输入图像进行卷积和池化处理等操作提取特征向量,大大提高了对图片中特征检测准确率。采用VOC数据集中的行人、狗、猫、水杯、自行车图片集加上无障碍轨道图片作为训练集,并且训练过程中结合多尺度图像和多环境背景图像来降低复杂环境对检测的影响。实验结果表明,所提供的方法能够有效地提取本文规定的特征,解决了传统门式起重机障碍物检测方式与避障手段的不足,同时提高了运行过程中的安全性。     

基于卷积神经网络的六足机器人环境自适应方法研究

六足机器人采用不同的步态参数针对不同的非结构环境可提高运行效率、增强平稳性。为实现该目标,预先完成三个步骤:第一,机载摄像头用来捕获环境信息;第二,基于环境样本库,使用卷积神经网络训练环境识别模型,因其在视觉问题上的泛化能力,卷积神经网络可以自动提取图像特征并降低建模工作量;第三,调整六足机器人的步态参数以获得某一给定环境下的最优步态。在此基础上,六足机器人根据环境识别结果选择相应的最佳步态,并实现环境自适应。最后进行对比实验,结果表明,应用环境自适应方法的六足机器人可以在复杂环境中耗能更低,并获得更高的速度和更优良的平稳性。