改进多尺度特征融合的工业现场目标检测算法

为了提高工业现场等复杂场景下的小目标检测的准确率,降低工业现场的安全事故发生率,基于 YOLOv3 提出了一种改进多尺度特征融合方法。该方法增加了Inception _ shortcut 模块,优化网络的输出宽度,使用工业现场的监控视频作为数据集以及利用 k-means 算法对检测目标重新聚类,引入了 PANet 多尺度特征融合结构,精简了 YOLOv3 的网络检测输出层。在创建工业现场安全帽、安全绳数据集 FHPD 、FSRPD 以及 PASCAL VOC2007 数据集上的实验结果表明,改进算法的 mAP 比原始 YOLOv3 提高了许多。改进的多尺度特征网络融合增加了参数,但检测速度仍满足算法的实时性要求。     

基于改进YOLOv7-tiny的多种类绝缘子检测算法

针对现有绝缘子检测算法识别种类单一、定位精度差、鲁棒性差等问题,提出了一种改进YOLOv7-tiny的多种类绝缘子检测算法。首先,使用K-means++算法对先验框进行重聚类,获得更适用于多种类绝缘子数据集的先验框尺寸;其次,采用了基于动态非单调的聚焦机制设计的WIoUv3损失函数,解决训练过程中正负样本不均衡问题。在网络结构上,首先在骨干网络使用跨阶段特征融合模块(Cross-stage Feature Fusion-ConvNeXt Block,CFFCB)捕获更多的上下文信息,对一些受到遮挡的绝缘子实现精准检测;同时,在颈部网络,提出了空间金字塔池化模块SPPCSPF(Spatial Pyramid Pooling Cross Stage Partial-Fast)替换了原有的SPPCSP(Spatial Pyramid Pooling Cross Stage Partial),有效提高绝缘子与背景接近时的检测成功率,有效改善漏检情况。经过实验测试,与YOLOv7-tiny相比,改进后的网络模型的mAP提高了2.1%,达到了97.6%,有效提高了多种类绝缘子的检测精度。最后,利用改进后算法的检测结果在UR5机械臂上进行了抓取实验,实际抓取的成功率在90%左右,验证了算法的可行性。     

基于多视觉传感器融合的装配过程质量移动智能检测技术研究

针对航空航天领域大尺寸复杂产品装配过程质量检测过程中检测项目类型多、空间跨度大以及检测环境复杂等问题,提出一种基于多视觉传感器融合的装配过程质量移动智能检测框架。该框架以移动机器人为柔性运动载体,以多视觉传感器融合形成检测单元,可实现复杂产品装配过程质量的自动化、智能化检测。重点分析了基于模型驱动的视点与站位智能规划、基于情境感知的移动机器人自适应数据采集、多源数据融合与装配过程质量综合评定等关键技术,并通过实例验证了所提框架的合理性与有效性。     

基于多传感器信息融合的汽车制动性能检测方法

常规的汽车制动性能检测多数采用滚筒反力式制动检测台进行检测,此种检测方法适用范围有限,缺少检测信息融合处理环节,导致制动性能检测结果误差较高,不能获取精确的汽车制动性能工况,降低了汽车行驶的安全性。针对这一问题,本文引入多传感器信息融合技术,提出了一种全新的汽车制动性能检测方法。首先,采用等效惯性方法原理,设计惯性大滚筒,在滚筒加速运行状态下,动态检测汽车ABS性能。然后在此基础上,检测汽车制动不平衡率与滑移率,利用多传感器信息融合技术,融合处理性能检测参数,输出高精度的制动性能检测结果。经试验检测后,试验结果表明:应用新方法后,汽车制动不平衡率检测误差较小,最大检测误差不超过1%,检测精度得到了显著提升。     

基于改进的YOLOv3的托盘检测方法研究

针对仓储环境下叉车机器人托盘识别的应用场景,以及提高托盘目标检测的准确性和鲁棒性,提出了一种基于YOLOv3算法改进后的物体识别方法.运用K-Means++聚类方法重新聚类出更适合托盘检测的Anchor Box,通过分析托盘成像在图像坐标系中横轴和纵轴的密度分布,继而调整了划分网格机制,改进损失函数.并在运用数据增强手...     

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...     

多传感器融合技术及其应用

多传感器融合技术是近几年来迅速发展的新技术，具有广阔的应用前景。本重点介绍了该技术的基本工作原理、功能、融合法及其应用等。     

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。     

基于传感器数据融合的车辆目标匹配

利用毫米波雷达和相机数据融合检测前方障碍物的方法,可以为智能驾驶汽车提供准确可靠的感知信息。因而,基于多传感器数据融合的目标匹配的重要性逐渐凸显。为实现二者的目标匹配,首先构建了相机和毫米波雷达的时间融合模型和空间融合模型,实现二者数据的时间一致和空间对准,然后对毫米波雷达数据和图像数据进行处理,通过对毫米波雷达数据的预处理且引入有效目标决策算法,获取毫米波雷达的有效目标数据;利用基于深度学习的目标检测算法,实现对图像中车辆目标的检测。最后设计了二者的目标匹配算法,并通过实验验证了该方法的有效性。     

基于数据融合技术的多传感器目标跟踪系统

数据融合技术是集多种学科于一体的前沿技术.多传感器目标跟踪是数据融合技术在目标跟踪领域的应用范例,它将多个传感器信息有机合成,估计目标的运动状态,产生比单一传感器更优越的跟踪性能,在此,阐述了数据融合技术及其在多传感器目标跟踪系统中的应用.     

基于 Transformer 的融合信息增强 3D 目标检测算法

针对当前 3D 目标检测算法将不同模态数据融合时会产生错位现象,从而破坏数据之间的关联性并造成数据损失的问题,提出了一种基于 Transformer 的融合信息增强 3D 目标检测算法。 首先设计了 Transformer 双域融合特征区域建议模块,利用变形注意力机制,将提取到的雷达点云特征和图像特征进行双域特征融合,用于生成 3D 预选框;其次,通过设计的深度补全机制的特征信息增强模块,补全密集的深度和特征语义信息来完成框的细化;最后,设计了多模态特征交叉注意力模块,采用动态交叉注意力机制来获得不同模态间的相关性,从而将特征信息有效对齐融合。 在 Kitti、Nuscences 和 Waymo 数据集上的实验结果证明了该算法的有效性和通用性。 大量的消融实验证明了该算法各个模块的有效性。 在实车平台上的实验结果表明,该算法在复杂的实际环境中具有优秀的鲁棒性。     

基于激光点云与图像融合的3D目标检测研究

目前基于激光雷达与摄像头融合的目标检测技术受到了广泛的关注,然而大部分融合算法难以精确检测行人、骑行人等较小目标物体,因此提出一种基于自注意力机制的点云特征融合网络。首先,改进Faster-RCNN目标检测网络以形成候选框,然后根据激光雷达和相机的投影关系提取出图像目标框中的视锥点云,减小点云的计算规模与空间搜索范围;其次,提出一种基于自注意力机制的Self-Attention PointNet网络结构,在视锥范围内对原始点云数据进行实例分割;然后,利用边界框回归PointNet网络和轻量级T-Net网络来预测目标点云的3D边界框参数,同时在损失函数中添加正则化项以提高检测精度;最后,在KITTI数据集上进行验证。结果表明,所提方法明显优于广泛应用的F-PointNet,在简单、中等和困难任务下,汽车、行人和骑行人的检测精度均得到较大的提升,其中骑行人的检测精度提升最为明显。同时,与许多主流的三维目标检测网络相比具有更高的准确率,有效地提高了3D目标检测的精度。     

基于机器视觉的紧密排列目标检测研究

机器视觉技术为工业机器人视觉导引系统提供重要的支持。随着生产效率的不断提高,流水线中常呈现多个货物无规律紧密排列运输的情况。在这种情况下,传统的基于模板匹配的目标检测算法的定位效果和识别精度准确率较低。为了解决这一问题,文中采用了基于深度学习的YOLOv8算法对紧密排列的物体进行检测,并针对紧密排列物体的特点建立相关数据集,通过实验验证了其在结构化环境下的性能。实验结果表明,YOLOv8算法训练后得到模型在拥有较快收敛速度的同时均值平均精度稳定在0.95左右,并且在多个真实环境中,模型对于无序队列目标的识别平均准确度能达到91.64%,为流水线中存在紧密排列现象的物品的定位和识别提供了一种有效的解决方法。     

基于BP神经网络的目标识别算法和多源感知技术相融合的GIS性能检测方法

针对传统多源感知检测方法在气体绝缘全封闭组合电器(Gas Insulated Switchgear,GIS)作业中性能检测数据准确度不足的问题,设计了一种基于目标识别算法和多源感知技术相融合的GIS性能检测方法。在传统性能检测技术中引入以BP神经网络为核心的目标识别算法,通过BP多层神经网络,实现了高效地数据目标提取,大幅提高了数据检测的准确度。为解决单一传感器不能完整地捕捉复杂环境信息的问题,基于多源感知技术,采用多个传感器对多个数据源进行综合感知,扩展了环境视角与信息维度,实现了对周围环境的全方位监控,使检测系统获得了更为理想的数据检测能力。在实际GIS运行环境中进行实地检测,将所提出的改进多源感知方法与传统多源感知方法进行了实验对比。结果表明,所提方法能够将GIS性能检测的准确度提高至98%以上。     

基于多传感器融合的车载酒精检测系统设计

为了能有效防患因驾驶员酒后驾车而造成的事故发生,设计出一种以ARM系列微控制器LPC2294作为核心控制器,并采用高灵敏度电化学酒精传感器ME3A-C2H5OH和半导体酒精传感器MQ-3多个传感器进行数据采集,利用模糊控制算法融合多传感器信号的车载酒精检测系统。该系统能提供检测、显示、报警、控制、记录等多种功能,具有成本低、体积小、智能化强的特点。通过仿真知其有较高的精确度。     

基于融合多维非对称策略的螺纹缺陷检测方法

目前机械零件螺纹的缺陷检测主要依赖人工目视检测,存在速度慢、误差大等问题,为此,基于融合多维非对称策略提出一种计算机视觉螺纹缺陷检测方法。首先,在YOLOv7目标检测算法的网络结构部分新增一层160×160的特征提取层,增加模型的目标检测尺度;设计LAM+DBAM注意力模块,引入标准差权重影响因子,从而构建新的权值计算公式,将发挥重要程度不同的特征提取层进行非对称融合,提升网络对小目标的特征提取能力。其次,采用TIoU损失函数,将预测框和标签框进行区分,非对称地处理输入的2个边界框,提升前景信息在网络特征提取过程中发挥的作用。最后,对模型的BN层进行稀疏化训练,通过缩放因子γ判断卷积核的重要程度,对非重要卷积核进行剪枝,消除模型的冗余参数,提升检测速度。试验结果表明,提出的基于融合多维非对称策略的螺纹缺陷检测方法的精度均值达到93.72%,检测速度达到53 f/s。     

基于多传感器融合技术的楼道照明检测系统设计

传统楼道照明系统中使用单一传感器检测外界环境,存在可靠性差、人性化程度低等问题,通过对单片机控制技术、多传感器融合理论的深入研究,提出采用人体红外传感器模块、人体微波传感器模块和光敏电阻模块组成的多传感器检测系统,该检测系统不仅提高了检测系统的可靠性,而且使照明系统人性化程度大大提高。通过在proteus中对所建立的电路模型进行仿真,结果表明,所设计的检测系统满足使用要求,研究内容有较高的应用价值。     

基于特征融合的双模态低辨识度目标识别

针对单一彩色相机对低辨识度目标识别准确率低的问题,提出了一种利用彩色相机和红外热成像仪同时检测自动驾驶目标的方案.为了同时提取彩色图像的颜色特征与红外图像的温度特征,在单模态YOLOv3网络基础上改进网络结构得到双模态YOLOv3神经网络,并设计四种特征融合对比实验以确定最佳融合方案;建立双模态数据集同步采集系统,采集...     

基于CS的SAR旋转微动目标检测方法研究

本文提出一种基于压缩感知理论(CS)实现旋转微动目标检测的方法。首先根据正侧视SAR系统空间几何模型对旋转点目标和旋翼三叶片目标进行成像;然后根据旋转微动目标的成像特征和形式,构造包含线形和圆形元素的超完备字典,再利用Hough变换域的稀疏性,用压缩感知理论寻找待检测图像中是否包含旋转目标所成像的几种形式来检测转动目标;最后通过补偿校正的方法对旋转微动目标进行再次判别,排除虚假目标。实验结果证明了所提方法的有效性。