星空背景下空间目标的快速识别与精密定位

为了提高光电望远镜系统测量空间目标的实时性和定位精度,建立了空间目标快速识别与精密定位系统,讨论了空间目标运动特性、快速识别、星像质心计算和天文定位等算法。首先,介绍了空间目标光电观测系统的系统构成和工作原理;深入分析了空间目标在CCD视场中的运动特性,提出了一种空间目标快速识别算法。然后,结合帧间差分法和数学形态学等,完成了空间目标的快速识别。最后,研究了天文定位算法,采用Tycho-2星表,实现了空间目标的精密定位。实验结果表明:空间目标快速识别处理时间约为10ms,实时天文定位处理时间约为25ms,实时天文定位精度优于4″。得到的结果满足空间目标监视技术的实时性好、精度高、稳定可靠等要求。     

基于星图识别的空间目标快速天文定位

本文提出了一种基于星图识别的快速定位算法用于加快空间目标的定位速度和提高定位精度。首先,采集当前图像的拍摄时刻和编码器角度值,运用天文定位三角形建立的地平坐标系与地惯坐标系的转换关系,计算设备视轴在地惯坐标系中的指向;然后,由视轴指向所在的天区,提取出该天区所有的导航星与特征库;结合有初始指向的局部星图识别建立图像中背景恒星星像与导航星的对应关系。最后,根据小孔成像原理,通过已识别的背景参考恒星以角距离匹配的方式对空间目标进行相对定位。对4°×4°视场、分辨率为1 024×1 024的实际图像的试验结果表明,因定位过程中引入了天文定位三角形模型和星图识别,大大加快了空间目标的定位速度,初始定位速度平均约为400ms;又因采用相对定位的方式排除了影响定位精度的因素,空间目标的定位精度优于2″。     

基于视觉的采摘机器人目标识别与定位方法研究综述

目标识别和定位的精度直接关系到采摘机器人采摘效率、质量和速度。本文对近年来采摘机器人的目标识别和三维定位的研究工作进行了系统性的总结和分析,综述了果蔬识别和定位的几种主要方法:目标识别:数字图像处理技术、基于机器学习的图像分割与分类器和基于深度学习的算法;三维定位:基于单目彩色相机、基于立体视觉匹配、基于深度相机、基于激光测距仪和基于光基3D相机飞行时间的三维定位。分析了影响果蔬识别和定位精度的主要因素:光照变化、复杂的自然环境、遮挡以及动态环境干扰下成像不精确。最后对采摘机器人目标识别与定位的未来发展作了几点展望。     

基于射频识别和蓝牙的物体定位跟踪研究

本文探讨了利用射频识别和蓝牙技术获取位置信息的可行性,构建一低成本,实时的定位跟踪系统,并研究该系统的数据模型和数据流,说明如何在万维网上用浏览器直接查找物体的具体位置信息。     

改进Mask R-CNN的交通场景多目标快速检测与分割

针对智能驾驶中出现的交通场景多目标检测与分割效率低、鲁棒性差等问题,提出一种改进的Mask R-CNN交通场景多目标快速检测与分割方法。首先采用轻量级MobileNet作为骨干网络,有效减少网络参数并压缩模型体积,提升后续嵌入式端的算法移植能力,其次通过优化FPN与骨干网络卷积结构,保证高底层之间特征信息的完整传递,通过调整超参数得到交通场景多目标检测与分割改进网络模型。设计不同交通场景下的对比实验,改进网络能够准确实现多目标的检测与分割,平均检测精度可达85.2%。在ApolloScape和NuScence数据集上进行迁移实验,改进网络展示出良好的泛化能力。本文所提出的改进骨干网络与网络结构优化,能够适应多种复杂交通场景,完成交通场景多目标的快速检测与分割,为智能驾驶提供了理论依据与技术方案。     

基于改进YOLOv5的电子元器件实例分割算法（英文）

为解决电子元器件组装中不同类型电子元器件难以自动区分的问题,利用改进的YOLOv5网络对电子元器件进行了实例分割,实现了不同元器件的自动识别分类。首先,使用三通道直方图均衡化对图像进行预处理。其次,在不增加模型复杂度的前提下,使用SE-Net通道注意力模块增强网络的特征提取能力,压缩无用信息;利用GhostNet实现网络轻量化;采用BiFPN增强网络特征融合能力。实验得出,采用改进的YOLOv5方法对电子元器件实例分割,其mAP为96.7%,单图的检测时间平均为45.5 ms.试样结果表明,该实例分割方法优于同类方法,对提高电子元件的自动化检测水平具有实用意义。     

基于深度学习的多物体抓取检测技术研究

针对非结构化的抓取场景,提出一种并列式架构的卷积神经网络检测模型。该模型使用单物体抓取数据集训练,可以对多物体进行抓取检测。基于机器人操作系统（Robot Operating System,ROS）平台进行抓取仿真试验,验证抓取检测结果的有效性。试验结果表明,该方法针对密集多物体的仿真抓取成功率达到80.8%。     

基于局部特征与视点感知的车辆重识别算法

在车辆重识别任务中,车辆视角的多变性会影响算法的准确性。为了解决视角多变对重识别准确性的影响,本文提出了一种基于局部特征与视点感知的车辆重识别方法。首先,使用语义分割算法将车辆解构为正面、背面、侧面、顶部4个部分,以提高车辆的细粒度表征。通过设计一种车辆视点感知网络,来输出视点的预测概率信息,据此概率信息动态平滑地呈现车辆视点感知效果。利用视点感知效果,为车辆每个局部区域赋予不同的权重,达到缩短类内距离,扩大类间差距,减少视角变化对车辆重识别的影响。利用公开数据集进行实验,其中VeRi776数据集的mAP可达到80.9%。结果表明,本方法可有效提高车辆重识别精度。结合消融实验证明了视点感知的平滑表示对多视角下车辆重识别的有效性。     

使用空间语义改进Mask R-CNN的港口地面交通标志识别算法

针对MaskR-CNN在多时段,复杂气候环境下识别地面标志物精度不理想,识别速度较慢的问题,提出了一种多任务分支结构的地面标志物识别算法,用于应对不同类型地面标志物的识别。通过新增轻量化的车道线识别任务分支,构建基于空间结构约束和差分约束的损失函数。使用特征金字塔网络提取多尺度的共用特征,拼接后的特征分别送入对应任务分支,在训练过程中通过增强的损失函数更新网络权重,最后各分支利用学习的权重输出识别结果。在光照不足时或阴雨天,标志物被污染等复杂工况下的港口数据集上实验,识别菱形地面标志精度为95.6%,与MaskR-CNN基本相同。车道线地面标志识别任务精度为93.4%,较Mask R-CNN提升17%,同时识别帧率提升2倍。     

空间目标识别技术与威胁评估算法综述

简要介绍了现有的空间目标探测技术地基／天基的雷达、光电等,指出目标识别的难点在于高效、准确、实时的数据融合。针对空间环境的复杂性,指出空间目标威胁评估的关键在于属性权值向量的确定,详细分析了现有的威胁评估算法：层次分析、专家系统、灰色聚类、Bayesian网络、云模型、神经网络、支持向量机等;通过对比研究,着重探讨其优势与不足,最后给出此类算法在空间环境下的普适性。     

基于Mask R-CNN的铁谱磨粒智能分割与识别

针对铁谱图像因背景复杂、尺寸分布广、颗粒重叠等导致难以精确分割与识别的问题,以相似度高的疲劳剥块、严重滑动磨粒、层状磨粒共3种异常磨粒作为研究对象,提出基于深度神经网络模型Mask R-CNN的对多目标铁谱磨粒进行智能分割与识别的方法,并对特征提取层分别选用深度不同的残差网络ResNet50和ResNet101进行对比试验。实验结果表明,基于迁移学习方法的Mask R-CNN+ResNet101模型能够在复杂背景下对多目标、多类型、多尺寸的相似磨粒进行有效分割与识别,测试集的平均精度高达76.2%,模型具有较好的泛化能力。     

一种新的测量点编码方法及识别算法

提出一种基于单环编码法的改进的测量点编码方法,并结合新的编码点形状特征设计了新的目标识别算法,从而实现了近景摄影测量中编码点的匹配。验证结果表明,编码点的识别准确率达100%。     

采用鱼群算法进化极限学习机的假肢步态识别

为提高下肢假肢步态识别的准确性,提出一种基于鱼群(fish swarm,简称FA)算法优化极限学习机(extreme learning machine,简称ELM)的模式识别方法。首先,提取张量投影特征,分析了特征值选取的合理性;其次,采用主成分分析法降维;最后,利用鱼群算法进化极限学习机分类识别平地行走、上楼、下楼、上坡及下坡5种步态,识别准确率达到97.45%。通过实验比较了该算法与极限学习机等分类器在假肢步态分类上的识别准确率与识别时间,结果表明,FA-ELM方法识别准确率优于其他方法。     

机器视觉识别技术在农业机械中的应用

介绍了机器视觉系统的组成,分析了各种视觉识别技术在农业机械中的应用特点,最后提出其发展趋势和存在的问题。     

双阶段帕金森病语音聚类包络卷积稀疏迁移学习算法

帕金森病(PD)语音识别算法研究对于其及时诊疗具有重要意义,但现有PD语音识别算法面临小样本数据量问题挑战。针对问题,本文提出双面双阶段均值聚类包络和卷积稀疏迁移学习算法。在双阶段学习方面,首先基于源数据集训练多组卷积核,然后通过中间集得到最优卷积核并对目标集进行编码。在深度样本聚类包络方面,首先设计迭代均值聚类算法构建深度样本空间;然后进行样本特征同时选择并训练分类器模型;最后对不同样本空间的分类结果进行融合。实验选取代表性的PD语音数据集进行验证。实验结果表明,本文算法创新部分有效,与10多个经典和最新相关文献算法相比取得了显著改进,准确率达97.8%。此外,本文算法的时间复杂度不高,满足临床应用要求。     

基于YoloV3与轻量型网络的衣物识别算法研究

衣物图像的识别在商业领域和社会生活领域中均有着很大的应用价值,但目前的目标识别模型在衣物识别上的准确率较低并且参数量较大.因此,本文改进了YoloV3目标识别网络,将主干部分特征提取网络替换成EfficientNet轻量级网络,减少参数量的同时能够快速准确地识别出衣物类别.测试结果标明,算法识别准确率和检测速度有一定提...     

铁路货车车号图像识别系统的算法研究

目前货车检修正逐步从计划检修向状态检修过渡,就对货车日常管理提出了更高的要求,而对货车车号识别,是实现对货车进行动态跟踪和管理的重要基础。针对货车车号识别,本文采用深度学习技术,利用YOLO网络模型结构和货车车号字符特点,实现对车号位置的准确检测,克服了光照、污迹、缺失等干扰的影响,同时,利用基于卷积神经网络的分类技术,实现对货车车号的识别。     

基于多源同步信号与深度学习的刀具磨损在线识别方法

为提高刀具状态监测系统的实用性、避免实际加工过程中工序变换产生的信号干扰,提出一种基于多源同步信号与深度学习的刀具磨损在线识别方法。该方法利用自动触发的方式实现了机床运行在特定工序时的刀具振动、主轴功率、数控系统参数等多源信号的同步在线采集,保证信号同步性的同时有效避免了因工序变换而产生的信号波动干扰;进一步利用高频振动特征实现了 “切削过程”与“切削间隙”采集样本的准确划分,并基于皮尔逊积矩相关系数筛选出强关联特征,保证了多源监测信号融合样本的可用性;最后基于一维卷积神经网络建立了刀具磨损在线识别模型。实验结果表明,该方法无论从识别精度还是诊断效率,均能实现实际加工过程中刀具磨损状态的在线识别。