排序方式: 共有3条查询结果,搜索用时 15 毫秒
1
1.
针对传统视觉测量挖掘机工作装置姿态中人工靶标易被泥土污染遮挡和受背景环境影响导致姿态测量失败的问题,提出基于多点标识的挖掘机工作装置姿态测量方法,利用一台RGB摄像机和YOLOv3深度学习算法实现对无任何传感器挖掘机工作装置的姿态测量。设置区别于背景环境、易于识别和定位的关键点标识,捕获大量工作装置图像并标注建立数据集,以此数据集训练获得视觉模型实现关键点标识的检测;根据关键点间的约束关系和相机成像原理还原关键点标识的三维信息,并计算相应杆件的姿态角。研究结果表明:提出的姿态测量系统能够解决姿态测量中存在的问题,且对挖掘机工作装置姿态测量瞬时偏差在±2°范围内,平均测量偏差在±1°范围内,满足视觉伺服中姿态角的反馈;同时,测量系统对每帧图像平均处理时间为108.26ms,满足实时测量条件。 相似文献
2.
3.
针对在多对象且空间拓扑关系复杂的室外场景环境中相似地类区分难的问题,提出一种结合图模型与注意力机制模块的A-Edge-SPG(Attention-EdgeConv SuperPoint Graph)图神经网络。首先,利用图割和几何特征结合的方法对超点进行分割;其次,在超点内部构造局部邻接图,从而在捕获场景中点云的上下文信息的同时利用注意力机制模块凸显关键信息;最后,构建超点图(SPG)模型,并采用门控循环单元(GRU)聚合超点和超边特征,实现对不同地类点云间的精确分割。在Semantic3D数据集上对A-Edge-SPG模型和SPG-Net(SPG neural Network)模型的语义分割效果进行比较分析。实验结果表明,相较于SPG模型,A-Edge-SPG模型在总体分割精度(OA)、平均交并比(mIoU)和平均精度均值(mAA)上分别提升了1.8、5.1和2.8个百分点,并且在高植被、矮植被等相似地类的分割精度上取得了明显的提升,改善了相似地类间语义分割的效果。 相似文献
1