轮式智能车动-静随机障碍物避障研究

针对智能车传统 A ∗ 算法存在拐点较多,不平滑,易发生碰撞问题,提出一种 A ∗ 与 DWA 融合改进随机避障方法。 在 A ∗ 优化算法中通过计算节点间斜率,选择关键节点,剔除冗余节点,改进了评价函数,提高 A ∗ 算法速度和路径平滑性。 针对 A ∗ 优化 算法无法规避随机障碍物及 DWA 算法存在速度与安全不兼顾问题,提出一种兼顾速度与安全性的优化 DWA 自适应算法。 在每 两个优化关键节点间采用自适应动态窗口法进行局部规避随机动-静态障碍物,使智能车自主、平滑、安全、高效规避障碍。 实验 显示:本文算法与 A ∗ 、Dijkstra、改进 A ∗ 与基本 DWA 融合算法相比,在 3 种环境下全局路径长度、拐点数、时间平均降低 2. 9% 、 36. 2% 、24. 7% ;2. 9% 、40. 7% 、30. 9% ;0. 31% 、23. 8% 、13. 6% ,能够实现随机避障且路径平滑,验证了本算法的有效性。     

基于gnConv和GAM的YOLOv5钢管焊接缺陷检测方法

针对基础yolov5算法检测钢管焊缝缺陷因缺陷目标小、背景复杂造成检测精度不够、特征提取不充分、速度慢的问题,提出了一种改进yolov5检测算法.首先,采用递归门控卷积gⁿConv替换网络中普通的卷积层,增强了模型空间交互能力,实现对特征的高效提取,间接提高了检测速度;其次,使用ASPP(Atrous Spatial Pyramid Pooling)模块替换基础算法中使用的SPP模块,在扩大了感受野范围的同时提高了检测速度;最后,在网络的预测端添加全局注意力机制GAM(Global Attention Mechanism)进一步加强特征提取,提高检测的精度.实验结果表明,改进的算法mAP达到了92.7%,比原算法提升了2.1个百分点,速度为50.8 f/s,满足钢管焊接缺陷检测的精度和实时性要求.     

基于Xception和SA的YOLOv5建筑裂缝检测方法

裂缝检测对于建筑的维修和加固、延长其使用寿命具有重要意义。针对建筑裂缝种类多和尺寸小造成裂缝检测精度低、速度慢的问题,提出了一种改进的YOLOv5裂缝检测算法,在提高检测裂缝精度的同时也提升了检测裂缝的速度。首先,引入轻量级网络Xception对主干网络轻量化,减少主干网络参数量以提升检测裂缝的速度;其次,使用空洞空间金字塔池化ASPP(Atrous Spatial Pyramid Pooling)模块替换SPP(Spatial Pyramid Pooling)模块,扩大感受野范围,加强主干网络提取裂缝特征的能力,避免因对主干网络轻量化而造成检测裂缝的精度降低;最后,添加SA(Shuffle Attention)注意力机制,进一步加强网络提取裂缝特征的能力,提高裂缝检测的精度。通过在自制数据集上进行的实验表明,改进的算法mAP比原算法提高了1.6%,速度为50.8 f/s,比原算法提高了2.7 f/s,满足建筑裂缝检测的精度和实时性要求,同时将改进算法与Faster R-CNN、Mobile-SSD、YOLOv4-tiny等算法进行对比,证明了该算法的优越性,更适合部署到硬件平台上。