一种基于深度学习的自动识别分拣机器人设计

通过对煤和岩石的纹理特征值进行分析,使用图像处理与模式辨别技术分拣煤矸石中的大粒度煤矸石,针对工作制作出了一种将机器视觉作为基础的多机械臂煤矸石分拣机器人系统。该系统在运用过程中通过机器视觉搜集煤矸石信息,采用深度学习的方法辨别与提取煤矸石的特点;当提取煤矸石基本信息后,依据煤矸石的位置开展排序工作,同时利用多目标任务分配策略把提取任务传送至机械臂控制器;当机械臂接收到任务之后,依据接收到任务实时监测目标,在目标进入机械臂工作区域后,使用视觉伺服系统促使机械臂分拣煤矸石。     

基于YOLOv3算法的工业分拣目标检测

在工业机器人视觉导引系统中,对于不规则的工业零部件,基于模板匹配的目标检测算法难以取得较好的定位效果和识别精度。在结构化环境下,对于传统视觉目标检测算法,利用YOLOv3算法开展视觉目标检测的实践。实验结果表明,该算法的定位精度和识别精度均取得了较高的水平,可以在工业现场进行部署。     

基于深度强化学习种群优化的演化式分拣调度算法

机械制造中的产线分拣作业具有问题与数据的双重复杂性,为了对分拣操作进行优化以提高生产效率,设计了一套分拣作业的数据表示方法与一种基于种群优化的演化式算法,同时整理并公开了一个真实的工业数据集。数据表示方法通过借鉴词袋模型对原始作业数据进行抽象表示;演化式算法使用深度强化学习初始化遗传算法中的种群,同时引入了精英保留策略以提高算法的优化能力。最后,将提出的算法与其他算法在真实的工业数据集与旅行商问题数据集上进行了对比。结果表明,该算法能找到更优的分拣顺序与访问路径,验证了算法的有效性。     

基于机器视觉的水果分级分拣系统关键技术研究

综合考虑自动分拣系统的各项功能要求,设计了自动分拣系统的整体方案.系统包括硬件和软件设计2部分.其中,硬件设计主要包括图像采集、机械手、传送带等模块,通过图像采集模块获取图像,通过机械手抓取水果.软件设计包括水果位置检测和分类识别两部分.通过研究水果的位置检测方法,对水果图像进行预处理,通过多种算子实施边缘检测,再基于...     

基于深度学习的小目标检测综述

目标检测是计算机视觉研究领域的核心问题和最具挑战性的问题之一,随着深度学习技术的广泛应用,目标检测的效率和精度逐渐提升,在某些方面已达到甚至超过人眼的分辨水平.但是,由于小目标在图像中覆盖面积小、分辨率低和特征不明显等原因,现有的目标检测方法对小目标的检测效果都不理想,因此也诞生了很多专门针对提升小目标检测效果的方法....     

基于深度学习的海面垃圾检测系统

舟山作为我国重要的海洋养殖城市与海洋旅游城市,在经济快速发展的同时如何解决日益严峻的海洋垃圾污染问题愈发突显。相比传统的雷达回波方式,基于深度学习的机器视觉检测方法,具备抗海浪干扰能力强,检测速度快,识别信息丰富等优点。采用DeepLabv3+图像语义分割模型,通过YOLOv5s目标检测算法对海面垃圾目标进行实时检测,最后由摄像机单目测距获取目标距离,可以实现检测效率25 fps,检测准确率87%,具备较好的工程应用价值。     

基于深度学习的无人机多目标检测算法研究

无人机多目标检测技术广泛应用于交通、航空等重要领域,发展前景广阔,市场需求空间巨大。传统的目标检测算法已无法满足无人机进行多目标检测过程中可能遇到的目标数量多、目标种类多、拍摄目标小等需求,因此提升无人机多目标检测能力成为了急需解决的难题,也是重要的研究方向。针对无人机对目标检测实时性要求较高,同时考虑到提高多目标和小目标的检测精度以及推理速度,选用YOLO目标检测算法为模型,分析YOLO系列算法的优缺点,并对各算法进行总结归纳。     

基于深度学习的目标检测算法研究综述

传统的目标检测算法主要依赖于人工选取的特征来对物体进行检测。人工提取的特征对主要针对某些特定对象,比如有的特征适合做边缘检测,有的适合做纹理检测,不具有普遍性。近年来,深度学习蓬勃发展,在计算机视觉领域比如图像分类、目标检测、图像语义分割等方面取得了重大的进展。深度学习作为一种特征学习方法能够自动学习到目标的有用特征,避免了人工提取特征,同时能够保证良好的检测效果。本文首先介绍基于深度学习的目标检测算法研究进展,其次总结目标检测算法中常见的难题与解决措施,最后对目标检测算法的可能发展方向进行展望。     

基于深度学习的图像显著性目标检测研究综述

随着近年来深度学习技术的发展,图像显著性目标检测的研究重点偏向于利用深度学习方法解决问题。为了全面且深入地探究图像显著性目标检测领域,基于深度学习框架,回顾近五年出现的20余种深度学习方法,归纳出四类深度学习策略,并且对比了它们在4个显著性数据集上的评价结果。结果显示,各类策略在不同数据集上的F度量值为0.800—0.950,综合利用多种策略的方法可以取得更优的预测指标,但仍然存在复杂场景干扰下检测有误的问题。针对现有问题,提出加强深度学习方法在复杂数据集上的训练,进而优化显著目标预测结果的定位准确性及边缘完整性。     

基于深度学习的实时人流统计方法研究

在深度学习出现以前,传统的人流统计方法往往难以适应复杂多变的场景,并且效率低下,难以满足实时统计要求。为使得这一工作更加趋向于智能化,本文通过将改进的轻量级目标检测网络YOLOv3-MP(YOLOv3-MobileNet-Person)与基于检测的多目标跟踪算法DeepSORT(Simple Online and Realtime Tracking)融合?设计了一种基于深度学习的YOLO-MP- DeepSORT实时人流统计方法。实验表明,本文所给的方法对行人的识别率最终高达91.67%,运行速率达到29.81fps,功能稳定,满足实时性要求。     

基于深度学习的客流量统计方法

针对目标快速移动和遮挡情况导致的客流统计存在误差的问题,设计目标的检测、跟踪、进门行为判断等策略,提出基于深度学习的餐饮业客流统计方法.首先,通过多数据集对YOLOv3-tiny模型进行训练,实现对于小目标的准确检测;进而设计多通道特征融合的目标跟踪算法,完成目标快速移动情况下的稳定跟踪;最后设计目标进门行为的判断方法,通过重叠率对目标的进门行为进行判断,实现对进门客流量的准确统计.最终通过实验验证,客流量统计的平均准确率达到93.5%.     

基于深度学习的消防器材自动识别研究

在智慧消防城市救援平台项目中,消防维保需要定期巡检消防设施来防止消防设备遗失或者破损失效,为了使公司的消防救援平台更为科学精准的掌握消防救援设备的维保情况。针对维保中需要依靠人为识别消防器材的问题,提出了基于这种特定场景下改进的YOLOv5算法,即YOLOv5Fire。本文根据场景增加了一个便于识别小特征的输出框,改进了SPP小内核的参数以及输入端。并通过自建数据集FireBox验证方案提高了六种消防器材自动识别,达到较为准确识别消防器材的目的。     

一种基于深度学习的交通标志识别算法研究

针对当前在真实环境中交通标志呈多尺度分布,且图像背景复杂、天气光照多变等多种因素造成识别精度低、识别速度慢等情况.提出了一种基于深度学习神经网络的交通标志识别的设计与实现.首先从公开数据集TT100K中选取出现次数最多的45类交通标志进行识别,接着对图像进行mosaic等图像增强及图像处理.然后在深度学习神经网络中的Y...     

基于深度学习的目标检测算法综述

深度学习目前已广泛应用到各个领域,目标检测是计算机视觉领域中的基础问题。针对传统目标检测算法存在的效率低、鲁棒性差等问题,基于深度学习的目标检测算法很好地提高了目标检测效率,成为主流趋势。论文对一些典型的基于深度学习的目标检测算法进行了综述,主要分为基于区域思想和基于回归思想两方面,对算法结构进行了分析和对比,最后对基于深度学习的目标检测算法的发展进行了展望。     

基于深度学习的图像目标检测研究

目前,大多数图像检测算法在进行图像检测时都会遇到图像显著特征保留不完整的问题。本文针对这个问题对简单图像检测算法进行改进,提出一种基于ResNet残差网络与深度学习的自适应加权策略的图像检测算法。首先,将ResNet模型提取的图像特征点,按照多尺度和多方向的特点划分为高频分量和低频分量进行深度学习,高频分量为含有较多图像信息的特征点,低频分量为含有较少图像信息的特征点;其次,对这些特征点进行权值分配,对于高频分量,分配较高的权值,对于低频分量,本文提出一种基于图像显著性的自适应权重分配规则,用来保留图像中重要显著点;最后,利用这些高低频分量特征点重构检测图像。     

深度学习小目标检测算法研究综述

目标检测的主要目的是在图像中快速精准地识别定位出预定义类别的目标。而随着深度学习技术的不断发展,检测算法在相应行业大、中目标已达到了不错的成效。鉴于小目标在图像中尺寸较小、特征不全、与图像中背景差异大等特点,基于深度学习的小目标检测算法性能仍需要进一步提升和优化;小目标检测在无人驾驶、医疗诊断、无人机导航等多个领域都有着广泛的需求,因此研究有着很高的应用价值。在文献调研的基础上,先给出小目标检测定义,找到当前小目标检测的重难点;根据这些重难点从六个研究方向分析当前研究现状,并总结各算法优缺点;结合文献及发展现状对该领域未来的研究方向做出合理预测与展望,为后续研究提供一定基础参考。