基于改进PointPillars的激光点云三维目标检测

针对复杂场景下三维目标检测算法对小目标物体识别精度不高、容易出现错检漏检问题,提出一种基于改进PointPillars的三维目标检测算法,利用锥形点云获取物体的边界信息,抑制环境噪声造成的干扰;设计一种空间自注意力模块,捕获点云支柱间的全局上下文信息和空间信息,扩大点云特征感知范围,提升小目标物体识别在复杂场景下的鲁棒性;改进主干网络的下采样模块,采用ConvNeXt v2模块增强网络的特征提取能力。在KITTI数据集上的测试结果表明,相比PointPillars原始网络,改进算法在汽车、行人、骑行者类别上的平均检测精度分别提升了3.73%、5.89%、5.7%,证明了所提出方法的有效性。     

基于改进欧式聚类算法的双目主动视觉点云目标检测研究

双目视觉立体匹配时,在同色调表面因为缺乏纹理信息,不仅计算量大且匹配度低, 而且生成的 场景中的点云又具有非结构化、近密远疏的性质, 因此,提高双目视觉匹配的精度与速度, 以及准确分割点 云目标, 一直是点云获取及目标检测中的难点问题。 针对以上问题, 本文首先提出了一种融合主动激光 的 3D 点云目标采集方法, 快速准确地获得原始点云数据; 其次提出了一种基于欧式聚类的改进算法, 使用距离阈值和角度阈值作为阈值分割判断条件进行分段聚类, 得到边界明确的 3D 点云目标检测框。 实验结果表明:所设计的 3D 点云成像系统能够有效获取前方物体的 3D 点云信息,且具有比激光雷达成 本低、易实现、信息丰富等优势;改进后的欧式聚类算法能有效改善传统算法对阈值较为敏感导致的物 体易出现欠分割或过分割的问题, 提高了目标检测的准确率, 在室内场景下具有良好的检测效果。     

面向现场异动检测的智能作业识别系统设计

为了保障电力现场作业人员的安全并有效规避异动风险,设计了一套面向现场异动检测的智能作业识别系统。系统采用微处理器搭配图像采集、红外成像和无线传输等模块作为硬件基础。针对异动场景识别的复杂性,提出了一种面向现场异动的新型检测识别算法作为系统的核心。该算法融合了CNN及人脸识别NMF算法,使系统能够快速、准确地采集并识别异动信息,进而完成实时预警。实验测试结果显示,该系统对异动风险的平均识别速率约为134 ms,而平均识别准确率可达90.61%。     

基于交叉自注意力机制的LiDAR点云三维目标检测

针对基于深度学习的激光雷达(light detection and ranging, LiDAR)点云三维(3D)目标检测对小目标的检测精度较低和噪声干扰问题,提出一种基于交叉自注意力机制的3D点云目标检测方法CSA-RCNN (cross self-attention region convolutional neural network)。利用交叉自注意力(cross self-attention, CSA)同时学习点云的坐标和特征,并设计多尺度融合(multi-scale fusion, MF)模块自适应捕捉各层级多尺度特征。此外,还设计重叠采样策略对感兴趣目标区域选择性地重采样以获得更多前景点,有效降低了噪声采样。在广泛使用的KITTI数据集上进行算法性能测试,结果表明,本文方法对行人等小目标的检测精度有较大提升,平均精度均值相比PointRCNN等4种经典算法均获得提升,显著提高3D点云目标的检测性能。     

基于红外传感的高精度运动体质智能检测系统设计

普通运动体质智能检测系统检测精度较低,且需要较长的检测等待时间,为了解决此问题,引入红外传感技术,设计基于红外传感的高精度运动体质智能检测系统。在红外传感技术支持下,通过客户端设计、后台管理系统设计、用户管理模块设计,完成智能检测系统硬件设计;在高精度手段约束下,通过数据库设计、检测流程设计、业务流程设计,完成智能检测系统软件设计。对比应用普通系统与改进后系统的检测结果可知,基于红外传感的高精度运动体质智能检测系统可提高检测精度、缩短检测等待时间。     

基于改进PointPillars的激光雷达三维目标检测

针对汽车自动驾驶时通过激光雷达进行三维目标检测时识别结果不准确、目标朝向检测偏差较大的问题，提出一种基于改进PointPillars的激光雷达三维目标检测方法。首先，基于Swin Transformer改进PointPillars的二维卷积降采样模块，使得网络特征提取阶段能够使用自注意力机制来丰富上下文语义并获取全局特征，增强算法的特征提取能力。其次，利用点云立柱的特性将点云的地面部分去除，降低冗余点云的影响，从而提高三维目标检测的识别精度。在公开数据集KITTI上进行的验证实验结果表明：所提方法具有更高的检测精度，相较于原PointPillars，平均检测精度提升了1.3个百分点，验证了该方法的有效性。     

三维激光点云的网状RANSAC分割与计数

随着工业现代化进程的加快,三维激光点云技术开始出现在工业目标检测中,对激光点云的目标分割提取也成了工业检测中的关键。常用的三维点云分割方法,如区域生长分割、RANSAC(随机抽样一致)分割、K-means(K均值聚类)等无法做到高水平的目标分割与提取。利用MEMS(micro electromechanical system)3D相机对4组目标进行点云数据采集,利用网状RANSAC分割算法,将目标三维点云进行封装,栅格化分割成网状模块,对每个网状模块中的点云进行平面粗分割,整合模块,用欧式聚类对分割后的目标进行细分割,得到最终的目标提取结果并成功完成计数统计。试验结果表明,所提出的网状RANSAC分割算法的分割完整度为91.0%,平均耗时8.25 s,均优于其余三种传统算法,并且成功完成计数。     

基于LightGBM的车载激光雷达点云分类

车载激光扫描系统获取的海量三维点云自动分类对目标识别和重建有着重要意义，传统点云分类需要人工干预，而现有的自动分类算法大多存在分类准确率低和运算成本高等问题。对此，提出了一种基于LightGBM模型的车载点云自动分类方法，该方法首先计算点云的表面变化三维特征、密度特征、高程特征以及快速点特征直方图，并计算点云法向量与其邻域点的法向量夹角及与水平面的夹角作为约束特征，将所有结果合并得到48维特征向量，然后构建LightGBM模型对点云特征向量训练完成分类预测。试验表明该算法能够准确高效地完成车载雷达点云的自动分类，比对照组算法总精度平均提高8.1%,Kappa系数平均提高18.9%,计算时间平均减少73.7%。     

基于Transformer的道路场景点云分类与分割方法

针对多目标识别过程中点云分类和分割精度不高的问题,提出了一种基于改进Transformer模型的点云分类与分割方法DRPT(Double randomness Point Transformer),该方法在Transformer模型卷积投影层创建新的点嵌入,利用局部邻域的动态处理在数据特征向量中持续增加全局特征属性,从而提高多目标识别中点云分类和分割的精度。实验中采用了标准基准数据集(ModelNet40、ShapeNet部分分割和SemanticKITTI场景语义分割数据集)以验证模型的性能,实验结果表明:DRPT模型的pIoU值为859,比其他模型平均高出35,有效提高了多目标识别检测时点云分类与分割精度,是对智能网联技术发展的有效支撑。     

基于Arduino的双模式智能避障小车系统设计与实现

针对目前智能避障小车存在障碍物距离测量精度不高,存在探测盲区的问题,介绍了一种基于Arduino的智能避障系统。常见的超声波避障模块探测距离远不易受到干扰,但是反应时间长。红外测距探测距离近,测量速度快,精度高,但是受环境影响较大。利用Arduino作为主控系统,采用超声波测距、红外测距等多传感器信息融合的采集系统,优势互补,并通过对数据的算法优化,提升小车对环境的感测精度,有效提高了小车的避障成功率。基于Android开源平台的蓝牙串口通信APK,智能小车既可以自动避障,也可以接受人的帮助,进行人工避障,实现了手动和自动双操作模式,丰富了用户体验。实验证明,该系统运行稳定,对障碍物的探测更加精确,可有效实现全方位避障。     

特征自适应融合插值的点云语义分割算法

点云语义分割是场景理解的基础问题。大多数针对大场景点云的语义分割方法精心设计局部特征聚合模块以减少降采样点云过程中的信息损失，然而未能高效地利用多尺度局部特征推理点云语义信息。为此，文中提出一种多尺度特征自适应融合的插值方法，以实现更准确的大场景点云语义分割算法。首先，通过注意力机制的局部特征聚合模块学习点云内部的语义关系，描述局部模式的各项异性；然后，以不同的采样率随机地采样点云产生多尺度的稀疏局部特征图；最后，使用特征自适应融合的插值法代替广泛使用的最近邻插值法，恢复全分辨率的特征图，为原始密度的点云提供更准确的语义信息。在SemanticKITTI和S3DIS两个大场景点云数据集上对所提算法进行评估，结果表明，所提算法的平均交并比（mIoU）分别为54.24%、75.5%，平均准确率（mACC）分别达到88.92%、86.5%，比大多数主流算法的分割效果更加准确。     

基于点云深度学习的3D目标检测

针对目前利用点云进行3D目标检测的研究较少和检测精度不高的问题,利用Frustum-Pointnets模型实现基于点云的3D目标检测,并在该模型的基础上进行改进,选用不同的激活函数和参数初始化方法进行组合对比,进一步提高模型的精度。实验表明:在选用Swish激活函数和He参数初始化方法时汽车平均检测精度提高了0.31 %,行人平均检测精度提高了0.41 %,骑车人平均检测精度提高了5.5 %。因此改进后的模型能有效提高检测的精度,使得模型能够应用在复杂的场景中。     

基于智能小车的多功能测量系统设计

随着建筑工程的飞速发展，测距技术愈来愈受到人们的重视，为了解决实际恶劣工作场合人们无法通过手动测量获得数据的问题，设计了基于智能小车的多功能测量系统。该测量系统将Arduino微处理器、超声波测距模块、2.4Ｇ无线通讯模块、GSM模块、摇杆模块等有机融合，实现了测量小车在摇杆控制下的定向移动，在行进过程中完成数据的测量、显示、传输等功能，并将采集的信息传输到远程的PC监测终端，文中研究了该系统的软硬件设计，研究了PC端监测软件的设计，给出了系统实验测试结果。结果表明:该测量系统可以完成数据的测量、传输等功能，系统工作稳定。     

基于深度学习的海量航拍视频智能处理技术

针对现阶段处理航拍视频数据工作量大且繁琐、人工成本高、重点目标信息提取效率低以及难以有效管理等问题，文中提出一种基于深度学习的海量航拍视频智能处理技术。该技术以深度学习算法为基础，采用可变卷积网络完成视频目标智能检测识别，采用自组织特征映射神经网络完成视频片段智能切分，使用局部敏感哈希算法完成海量视频快速检索。通过视频智能处理技术能够剔除海量航拍视频中的无效视频片段，保存有效目标视频片段，提高检索效率，降低存储压力，实现对海量航拍视频数据的高效管理。在实际项目中，基于海量航拍视频智能处理技术完成航拍视频智能化处理软件开发，工程实践应用证明，该技术可以有效减少作业人员重复性工作，提高视频处理作业效率。     

基于瞳孔定位的单目测距系统

针对人和机器人在协同工作的过程中,机器人需要对伙伴进行准确的目标定位这个问题,设计了一个以ARM Cotex－A9 i． MX6Q为微处理器处理模块,USB摄像头为采集模块的嵌入式视觉测距系统,实现了单目视觉测距定位。该系统设计大体分为人眼瞳孔定位和单目测距2部分。人眼瞳孔定位通过USB摄像头采集人脸图像,系统对人脸图像进行处理,获取人脸图像中瞳孔的精确位置,获取人脸图像中瞳孔的位置采用Adboost人脸检测算法和灰度投影人眼定位算法;测距采用小孔成像三角形相似原理,根据实际人眼瞳距和图像中人眼瞳距信息计算出目标人物到摄像机镜头间的距离,其中摄像机的内参数标定借助于Matlab工具箱来完成。实验结果表明,该测距定位系统测距精度较高,系统鲁棒性好,具有良好的应用前景。     

基于注意力机制改进的轻量级目标检测算法

针对通用的目标检测算法在检测生活场景下的多类目标时检测精度低、速度较慢的问题，提出了一种基于注意力机制改进的轻量级目标检测算法YOLOv4s。该算法以CSPDarknet53-s作为主干特征提取网络提取图像特征，通过注意力模块进行特征选择，再利用特征金字塔网络对特征进行融合，最后通过检测头分别处理特征融合后的两个输出，进而提高对生活场景下多类目标检测的能力。实验结果表明：相比改进前的算法，YOLOv4s算法在PASCAL VOC数据集上的平均均值精度（mAP）及MS COCO数据集上的平均精度（AP）都有一定程度的提升；相较于轻量级算法Efficientdet,YOLOv4s算法在MS COCO数据集上的AP也有一定提高，并且实现了有效的显著目标检测。     

基于Transformer的体素化激光点云目标检测算法

3D点云目标检测是计算机3D视觉中的一个关键技术,本文针对激光雷达点云数据的稀疏性、无序性和数据量大,导致神经网络运算效率慢、检测精度低等问题,开展了基于激光雷达点云的目标检测算法研究。在激光雷达点云数据处理阶段,我们将原始点云数据体素化,解决了点云稀疏性和无序性问题,然后使用多层特征下采样层构建特征金字塔,实验验证了该方法使网络在训练阶段更快收敛,有效减少点云数据量大导致的网络运算开销,网络运算效率提升～39；同时,我们通过引入Transformer注意力模块,提高网络对点云目标关键特征的学习能力,使目标检测的准确率达到885。总体实验结果表明,本文算法在确保检测精度的前提下,提升了网络运算效率。     

融合注意力门控机制的大场景点云语义分割

室外大场景激光点云语义分割已成为3D场景理解、环境感知的关键性技术,在自动驾驶、智能机器人和增强现实(AR)等领域应用广泛。然而大场景的激光点云具有多目标、几何结构复杂,不同地物尺度变化大等特点,使得在稀疏的小目标点云(例如行人、摩托车等)上的分割性能较低。针对上述问题,本文提出一种融合注意力门控机制的室外点云语义分割算法,设计由注意力机制和多尺度上下文特征融合组成的注意力门控单元,提高对激光点云细粒度特征的表达,降低随机降采样过程中点云几何结构特征丢失程度,从而增强了网络对弱小目标的特征获取能力;同时设计基于共享MLP的平均池化单元,进一步简化自注意力局部特征聚合模块,有效地加速网络收敛,能高效地实现大场景点云的语义分割。本文方法在自动驾驶场景室外激光点云数据集SemanticKITTI上的实验表明,与文献RandLA Net相比,收敛速度提升483,平均交并比(mIoU)由539提升至545,提高06,尤其是在小目标上交并比(IoU)均有明显提高,person类和motorcycle类的交并比分别提高08和54。     

无源光网络系统测距技术及其实现

介绍了无源光网络测距技术的工作原理 ,描述了测距过程的主要步骤以及完成测距所需要解决的关键技术问题 ,最后阐述了作者设计的完成测距功能的主要模块 ,该模块已成功地应用到作者所在研究所研制的 ATM- PON系统中。现场试验表明 ,系统的测距精度及范围等指标完全达到设计要求。     

智能小车自动纠偏与避撞的实现

文中采用MSP430F149作为主控芯片,由超声测距模块、转弯线检测模块、自动纠偏检测模块、电机驱动模块等构成小车。主要对行驶过程中3种情况提出了3种算法,分别是直道二次纠偏算法、弯道纠偏算法和超车算法。实现了智能小车的自主行驶和超车。