关键词： 车联网   协同感知   自动驾驶   单车智能   目标级融合   目标检测   检测模型   智能交通  

摘要： 随着车联网技术的快速发展,其在降低单车智能成本、提升道路交通安全及效率方面展现出显著优势。针对自动驾驶中的超视距、盲区和遮挡等感知长尾难题,基于车联网通信设备和自动驾驶计算单元开发了一套具备良好兼容性和可拓展性的目标级协同感知系统,配套的软件环境方便部署检测模型和后期融合算法。通过对传输链路时延测试和感知结果可视化分析,系统能够有效整合感知结果,且能在现有检测模型基础上进行低成本升级,增强自动驾驶感知能力和范围。该系统推动协同感知技术从理论研究向实际应用的转变,具备向实际道路交通系统扩展的潜力。

关键词： 激光散斑   图像处理   面内位移   系统L值  

摘要： 激光散斑测量技术因其非接触式、高灵敏度和高分辨率的特点,已广泛应用于微小位移的精确测量。散斑图像的形成源于激光照射到物体表面后,由于表面微观结构的不规则性,激光光斑产生干涉现象,形成一系列随机分布的散斑点。这些散斑点的变动能够反映物体表面微小的位移变化,因此成为研究面内位移的重要工具。在激光散斑测量系统中,L值对于面内位移的准确测量至关重要。运用激光散斑统计理论,结合Matlab和Python进行激光散斑图像处理,设计了一套测量物体面内位移系统L值的实验装置。结果表明,测量得到纯铜片面内位移系统的L值为32.19 mm,测量值波动幅度小,标准差为0.3454 mm。通过该系统L值,可以对纯铜片等被测物体的面内位移进行测量。

关键词： YOLOv8   行人检测   注意力机制   低照度  

摘要： 在井下电机车无人驾驶障碍物检测任务中,由于光照不均、粉尘等因素的影响,电机车障碍物图像目标检测系统会出现提取目标特征困难、目标识别精度降低等问题,易导致障碍物误检和漏检。针对上述问题,提出一种基于SCI-YOLOv8的低照度目标检测算法,将SCINet自校正照明网络与YOLOv8目标检测算法相融合,使YOLOv8算法更有利于低光照目标检测。并将LSKA注意力机制嵌入到YOLOv8网络中Head部分C2f的末端,降低计算和内存成本的同时,保持了高效的图像处理能力。实验结果表明,本研究所提出的算法在公共低光数据集Exdark目标检测中,mAP@50为57.7%,mAP@50∶95为35.4%。相较于原始YOLOv8目标检测算法mAP@50提高了1个百分点,mAP@50∶95提高了1.4个百分点。在井下低光数据集LLP目标检测中,SCI-YOLOv8模型的mAP@50达到97.3%,mAP@50∶95为68.2%,相较于原始模型分别提高了3.4个百分点和8.6个百分点。本研究所提出的SCI-YOLOv8算法在低光场景的目标检测中具有优越性,能满足井下低光场景的目标检测任务要求,为井下电机车安全、高效、智能运行提供了技术支撑。

关键词： YOLOv5s   目标检测   设施番茄授粉   深度学习   花朵识别  

摘要： 在设施农业种植环境下,番茄花朵存在叶片遮挡、花朵堆叠、背景环境复杂等现象,导致番茄花朵检测模型的准确率较低,限制了授粉机器人的智能化发展。针对该问题,本文提出了一种基于改进YOLOv5s模型的番茄花朵目标检测方法,通过将原有模型中的C3模块替换为C2f_ScConv模块、引入LSKA注意力机制、添加ADown下采样结构模块等对原始YOLOv5s模型结构进行改进。最后,将改进前后的模型进行训练和检测。改进后的YOLOv5s番茄花朵识别模型能够有效的识别出重叠遮挡、小目标的番茄花朵,其mAP值相比于初始模型提升了6.3个百分点,召回率提升了5.6个百分点,准确度提升了6.7个百分点,拥有更强的特征提取能力和鲁棒性。该模型可以满足设施环境中授粉机器人对番茄花朵的识别精度需求。

关键词： 机场道面   地下病害   领域知识   目标检测   关联关系推理  

摘要： 为促进道面地下领域知识和目标检测算法的深度融合,缓解不同病害样本间的特征复杂性和相似性导致的特征畸变问题,提升病害的自动化检测效果,提出了融合关联关系推理的机场道面地下病害检测算法。首先,所提算法结合残差网络和多尺度特征金字塔网络(FPN)提取目标特征信息;其次,通过挖掘机场道面地下病害关联关系矩阵,结合图推理设计地下病害关联关系推理模块,以区域生成网络(RPN)生成的特征向量作为输入特征,利用自我学习的变换矩阵设定图的传播权重,实现特征信息传播并构建有效的关联关系推理模块。实验结果证明,融合关联关系推理的机场道面地下病害检测算法可以有效地利用地下病害之间的关联关系,消除病害之间的相互干扰并且检测效果达到最优,检测的平均准确率达到87.38%。

关键词： 计算机视觉   EfficientNet   指针式水表   读数识别   CA注意力机制  

摘要： 指针式机械水表主要依靠人工进行抄表和识别,存在耗时长、人工成本高、识别错误率高等缺点。近年来随着深度学习技术的发展,研究人员将其应用于水表读数识别方面。设计一套基于深度神经网络的指针式机械水表读数识别算法(PWMR-DL),可准确地识别指针式机械水表的读数,并构建指针式机械水表数据集用于算法训练和测试。针对子表盘的检测和矫正,引入MaskRCNN模型实现表盘定位与分割,并设计了高效的矫正策略对各个子表盘进行旋转校正,以提升指针式机械水表图像在不同旋转角度下识别的鲁棒性,减少误差。在子表盘读数识别阶段,引入CA注意力机制改进EfficientNet模型,以提升读数识别的准确率,并通过增加分类维度到20类,细化了指针位置处于数字间隙时的判断精度。同时,结合子表盘读数序列相关性校正逻辑设计读数生成方法,有效减少了读数错误。实验结果表明,PWMR-DL算法在子表盘读数识别方面,与改进前的EfficientNet模型相比精度提升了约2.4%,而且经过优化的模型仅增加了少量参数,维持了其轻量级的特性。在低分辨率图像下,PWMR-DL算法的整体识别精度可达到96.8%。

关键词： 计算机视觉   光流估计   深度学习   区域匹配   迭代更新  

摘要： 为解决光流估计网络在目标边缘分割、运动速度和运动方向不准确的问题,提出基于视频帧间局部相关信息的光流估计网络。运用特征编码器从图像中提取出编码特征,通过上下文网络获取图像的上下文特征。采用下采样处理减小特征尺寸提高计算效率。根据连续两帧光流图像位移较小的特性,提出一种分区计算视觉相似度的方法,构建更为精细的4D相关体。采用残差滤波器和相似卷积块的方法,分别针对相关体和光流信息进行操作,更有效地保留局部微小位移信息。研究结果表明:采用基于视频帧间局部相关信息的光流估计网络进行计算,端点误差分别实现了8.0%和5.7%的优化,显著提升了光流估计的准确性,对复杂场景下光流信息提取更准确。研究结果可为自动驾驶、智能安防等领域提供参考。

关键词： 选矿摇床   YOLOv5   目标检测   自适应截取  

摘要： 摇床受到多个参数条件的影响,包括给矿量、给矿浓度、给矿品位以及给矿粒度等,床面上矿带的位置、颜色、宽度会随之发生相应的变化,为了保证精矿的品位,工人需要及时调节精矿截取位置以保证精矿品位的稳定。由于每个操作工的经验、技术不一样,容易造成生产指标的波动。为了减轻操作工人的劳动强度,提高选矿摇床矿物分选的自动化水平,本文提出了一种改进的YOLOv5目标检测算法,并对摇床精矿带和中矿带的分界点(矿带分离点)及标识点信息进行了成功提取。与YOLOv5、SSD、Faster-RCNN等其他算法对比,改进的YOLOv5算法的检测效果最好,精度最高,平均精度达98.3%。

关键词： 图像处理   混拆码   神经网络   轻量化网络  

摘要： 智能物流系统中机器人拆码作业应用日益广泛,物料托盘单元单品拆码技术较为成熟。多品物料托盘由于SKU品规差异,拆码过程中需借助机器视觉技术以保障机器人定位、位姿的精度。本文基于轻量化网络的手眼标定算法和Mask-RCNN框架算法进行目标识别及分割,可有效选取多SKU抓取点。工程案例表明,基于本文算法的机器视觉系统,识别精度和运行速度较Res Net50主干网络的卷积模型均有所提升,有助于提升机器人混拆码物料托盘的精度和效率。

关键词： 紧凑型高频地波雷达   目标跟踪   航迹质量评价   分形维数   层次分析法  

摘要： 准确性和连续性是衡量目标航迹质量的两个重要指标,紧凑型高频地波雷达目标定位精度低,跟踪得到的航迹波动大、易断裂。为了评价紧凑型高频地波雷达跟踪得到的航迹质量,提出了一种结合分形维数与跟踪连续性指标的紧凑型高频地波雷达航迹质量评价方法。引入分形维数衡量航迹的波动性,估计雷达航迹与真实航迹之间的波动差异以评价目标航迹的准确性;结合航迹跟踪时长和丢点率评价目标跟踪的连续性,并将三个指标加权形成了航迹综合质量指标。利用仿真和实测地波雷达航迹数据开展了航迹质量评价实验,其结果表明:提出的综合质量指标能够有效地反映航迹质量变化,无需目标状态真实值作为先验信息。分形维数指标与现有利用目标运动参数的归一化质量指标相比,分形维数指标结果的均值标准差减少了67.8%,评价结果更稳定。