关键词： 动态环境   目标检测   几何约束   稠密建图  

摘要： 针对同步定位与建图(Simultaneous Localization and Mapping,SLAM)算法在动态场景中存在定位精度低且无法生成稠密地图的问题,提出一种基于动态区域剔除与稠密建图的视觉SLAM算法。在原ORB-SLAM3算法的基础上新建动态特征点检测线程,使用YOLOX网络获取动态场景语义信息及物体检测框,同时结合语义和几何约束检测特征点运动状态,提出动态特征点剔除算法,旨在精准实现动态特征点的剔除。随后设计稠密建图线程,基于关键帧及相应位姿构建稠密点云地图,利用地图中剩余的静态特征点,去除动态物体造成的重影,实现稠密地图的构建。在公开TUM数据集和真实动态环境进行验证,在TUM数据集的动态环境下,新算法有效消除了动态物体对位姿估计的影响,提升了SLAM算法在动态场景中的定位与建图的鲁棒性。

关键词： 同步定位与地图构建   目标检测   动态特征点剔除   定位精度   光流法  

摘要： 针对室内动态场景中存在的动态目标会降低同步定位与地图构建(SLAM)系统的鲁棒性和相机定位精度问题,提出了一种基于目标检测网络的动态视觉SLAM算法。选择YOLOv5系列中深度和特征图宽度最小的YOLOv5s作为目标检测网络,并将其主干网络替换为PPLCNet轻量级网络,在VOC2007+VOC2012数据集训练后,由实验结果可知,PP-LCNet-YOLOv5s模型较YOLOv5s模型网络参数量减少了41.89%,运行速度加快了39.13%。在视觉SLAM系统的跟踪线程中引入由改进的目标检测网络和稀疏光流法结合的并行线程,用于剔除动态特征点,仅利用静态特征点进行特征匹配和相机位姿估计。实验结果表明,所提算法在动态场景下的相机定位精度较ORB-SLAM3提升了92.38%。

关键词： 水面目标   小目标检测   轻量化   YOLOv5   模型剪枝   知识蒸馏  

摘要： 为提升内河航行场景下水面小目标的检测效果,降低模型复杂度,提出一种基于改进YOLOv5l的轻量化水面目标检测模型。首先,对定位损失函数进行改进,提出NWD-CIoU函数,可提升模型对小目标的召回率,增加模型的多尺度目标检测能力。其次,将FasterBlock模块与C3模块结合,提出C3_Faster模块,对YOLOv5l模型的主干网络进行优化,减少网络参数,降低模型复杂度。再次,基于Slimming方法对模型进行剪枝,大幅修剪冗余连接,以减少模型参数和运算复杂度,提升推理速度。最后,基于通道知识蒸馏方法,以YOLOv5x作为教师模型对剪枝后模型进行蒸馏,以提升模型的检测效果。实验结果表明,本文模型对内河航行场景下的水面目标具有较好的检测效果和检测速度,相比原YOLOv5l模型,参数量减少了81.48%,GFLOPs减少了80.69%。该模型更适合在计算资源受限的移动设备上部署,具有一定的工程意义。

关键词： 店铺销量预测   Stacking集成学习   KNN   XGBoost   竞品信息   情感分析   图像处理  

摘要： 提高店铺销量预测的准确性可以显著优化库存规划,进而提升供应链管理效率.本文采用Stacking集成学习方法,结合多种预测模型,并引入竞品销售信息、商品评论情感分析、商品图片特征等外部数据,以进一步提高销量预测的精度.具体而言,选择了XGBoost、KNN、RF和LR作为第一层基学习器,线性回归作为第二层元学习器.通过对历史销售数据进行验证,结果表明,相较于单一模型,Stacking方法在销量预测中表现出更高的准确性,尤其在引入外部特征后.Stacking方法在平均绝对误差(MAE)和均方根误差(RMSE)等指标上均优于单独使用RF、线性回归、XGBoost或KNN模型.研究表明,结合外部特征的Stacking集成学习方法能够有效发挥多种模型的优势,提供更准确的销量预测结果,从而为店铺制定库存和生产计划提供科学依据.

关键词： 杏果   目标检测   复杂果园环境   轻量化网络   YOLOv8算法   损失函数  

摘要： 为解决复杂果园环境中,因遮挡、重叠导致杏果识别误检率较高、检测精度较低的问题,提出一种基于改进YOLOv8n网络模型的杏果检测算法。该算法采用轻量化模块MobileViT—XS替换原有骨干网络,保证特征提取能力,同时降低模型的参数量与计算量,并且将原始的损失函数CIoU替换为WIoUv3,动态优化损失权重提高模型的检测精度。为验证改进方法的有效性,选取6种主流的目标检测模型、5种骨干网络的轻量化改进模型以及5种不同的损失函数进行对比试验。结果表明,改进后的模型相比原始模型在F 1、平均精度均值mAP上提升1.25%、1.48%,参数量、浮点运算量、模型大小分别降低28.06%、0.1 G、1.48 MB。改进后的算法能够精准、快速地在复杂的果园环境中识别出杏果。

关键词： 目标识别   目标跟踪   位置预测   深度学习   机器视觉  

摘要： 针对多模态检测任务下全尺寸目标识别与跟踪网络串联结构较大、整合程度差、计算效率低的问题,克服跟踪算法对目标运动持续时间与轨迹积累的依赖,面向无人机、智能巡飞弹等无人装备对多模态网络一体化、轻量化与快速相应的需求,提出了一种基于短时域的目标识别与快速跟踪神经网络。以相邻两帧图像作为输入,融合目标语义信息与运动趋势信息间的关联特征;通过可共享特征提取网络,降低多模态目标检测网络的结构复杂性;采用含有静态与动态链路的双分支推理网络,同步完成当前帧内目标识别计算与未来帧内目标位置预测。实验结果表明:所提出的算法识别准确率可达到95.4%,位置预测准确率可达到90.9%,能够在低算力支持下赋予智能武器目标高效识别与快速跟踪计算能力。

关键词： 图像处理   颜色一致性   跨相机应用   RAW图像   光源感知  

摘要： 针对相机传感器光谱灵敏度和内置图像信号处理(ISP)模块差异导致的图像间颜色不一致的问题,提出2种基于光源感知的跨相机颜色一致性算法,即色温(CCT)感知的自适应分区映射算法和类别感知的自适应分类映射算法,用于将RAW图像从待处理相机的颜色空间转换到目标相机的颜色空间.通过在不同色温和类型的典型光源下得到的训练算子来推导目标场景最终的映射算子,为不同照明场景建立特定的映射关系,进而实现跨相机图像的转换.在实验中采用颜色差异指标来对算法进行客观评估,结果表明所提出的2种算法在色差和视觉效果方面均比现有经典方法展现出更好的性能,能够有效适应照明条件的多样性和复杂性,具有广泛的应用潜力.

关键词： 水平回油管   两相流型辨识   图像处理   小波分解   Elman循环神经网络  

摘要： 为探究航空发动机回油管尺度下以润滑油和封严空气为主要介质的油气两相流相分布特征,实现回油管内流型准确辨识,提出了一种基于图像处理的两相流型辨识模型。该模型基于航空发动机工况下水平回油管内油气两相流实验获取的4种典型流型图像结果,以双边滤波、二值化、小波分解等图像处理技术提取的流型特征数据集为输入,采用Elman循环神经网络模型实现流型辨识。结果表明:在航空发动机工况范围内,回油管内会出现4种典型流型:弹状流、层状流、波状流和环状流。基于流型图像的辨识模型能够成功辨识4种不同流型,且在验证集上辨识准确率为93.06%、宏F1为97.60%,具有较好的准确性和稳健性。

关键词： 番茄成熟度   目标检测   YOLO v8n   注意力模块   轻量化   Jetson Nano  

摘要： 为应对番茄采摘面临的果农老龄化、劳动力短缺和人工成本上涨等挑战,解决在复杂果园环境下番茄采摘机器人视觉系统成熟度检测精度低和实例分割不准确等问题,本文提出一种基于改进YOLO v8n网络的番茄成熟度实时检测算法。首先,通过在YOLO v8n网络中引入通道嵌入位置注意力模块和改进大核卷积块注意力模块,能够在浅层网络保留番茄目标位置信息,建立目标区域之间的长距离依赖关系,从而增加YOLO v8n网络对显著番茄特征的关注。然后,在LaboroTomato数据集上进行了对比实验,改进YOLO v8n相较于原YOLO v8n网络,检测和分割的mAP@50和mAP@50-95分别提高0.4、1.4个百分点和0.3、1.2个百分点。最后,实现了改进YOLO v8n网络在低成本、低算力和低功耗的Jetson Nano平台上的轻量化部署,模型内存占用量由满溢减少到2.4 GB,推理速度加倍。该研究可为番茄采摘机器人在复杂场景下实时、准确检测番茄成熟度提供技术支撑。

关键词： 目标检测   PYNQ   YOLOv5n   轻量化   边缘端设备  

摘要： 针对边缘端设备在资源受限条件下部署深度学习目标检测算法的需求,文章提出了一种基于PYNQ(python productivity for zynq)框架的轻量化实时目标检测技术,开展YOLOv5n目标检测算法研究及适应FPGA部署的模型优化,完成PYNQ环境下的软硬件协同设计,并在ZCU104开发板上完成了系统验证。结果表明,所提技术能够实现轻量化深度学习目标检测算法的快速部署与验证,具有良好的检测精度与实时性,能效比达到10.5帧/(s·W),在低成本实时目标检测领域具有较高的应用价值。