关键词： 在轨服务   机器人抓取   目标检测   抓取检测   轻量化网络  

摘要： 以空间机器人为执行载体的在轨服务技术是实现航天器在轨维护、延长服役寿命的关键途径。该文面对空间机器人在轨计算硬件资源有限的问题,基于深度学习提出一种轻量级机器人抓取方法,实现对目标的精准抓取和操作,提升机器人在轨作业的自主性。首先构建YOLO-Light目标检测模型,该模型基于YOLOv8网络结构,引入半解耦的LightHead检测头以减少计算负担和参数量,设计C2f-MBConv模块降低参数量和计算量的同时保持检测精度,并通过剪枝实现对模型的进一步压缩。与YOLOv8n相比,YOLO-Light模型的参数量、计算量和模型大小分别减少70%、65.4%和66.7%,而mAP50指数仅下降0.06。进一步,基于生成残差卷积神经网络,设计了融合ECA注意力机制的抓取检测网络,在不引入过多额外参数的情况下,更精细地调整通道特征的权重,有效增强通道间的信息交互,使得网络在面对复杂环境时,仍能准确地识别目标姿态,最终以矩形抓取框作为输出,合理地表示目标的抓取姿态。训练结果表明:在IOU为0.25时,准确度达到93%。最后,利用基于Gazebo的机器人抓取仿真实验验证所提轻量级机器人抓取方法的有效性。

关键词： 黑土层划分   土壤剖面图像   颜色模型   机器学习   数字土壤形态学  

摘要： 【目的】传统的黑土层判定多依赖于野外剖面挖掘测定、室内理化指标数据分析和专家经验,工作量大、主观性强且周期长。本研究采用机器学习和数字图像处理技术,以期快速判定黑土层。【方法】利用中国土系调查数据集的土壤剖面图像信息,建立土壤颜色与理化性质之间的关系模型,并采用随机森林、支持向量机、梯度提升树3种机器学习分类器,进行黑土层和非黑土层的二值划分。【结果】3种分类器均可实现对黑土层的判别,其中随机森林的分类效果最好,平均精度为0.80,平均kappa系数为0.55;超红波段2R-G-B和La*b*、Lu*v*颜色模型中的a、b、u、v变量是区分黑土层样本和非黑土层样本的重要分类特征变量,而La*b*、Lu*v*颜色模型中的L变量,以及CIEXYZ颜色模型中的X、Y、Z几个变量对于分类的贡献度较低;相比于sRGB颜色模型,La*b*、Lu*v*颜色模型有更好的分类效果。【结论】本研究提出的基于土壤剖面图像的黑土层判别方法,能够有效辅助传统方法的判别,快速、精细化地识别黑土层,但对于土体构型复杂的土壤剖面仍需进一步研究。

关键词： YOLOv8算法   目标检测   枸杞  

摘要： 针对枸杞果实较小、遮挡严重等问题,提出一种改进YOLOv8算法对枸杞红果进行识别。引入Inner-IoU提升网络收敛速度;嵌入DAT模块,对提取到的冗余特征进行筛选;引入DBB模块来扩大感受野;增加一个更小尺寸的检测头提高检测精度。实验表明,改进后的YOLOv8算法的mAP达到90.2%。

关键词： 卷积神经网络(CNN)   残差网络结构   图像处理   去模糊  

摘要： 本研究针对图像去模糊任务,提出了一种基于深度卷积神经网络的方法,并引入残差网络结构进行优化。首先,通过对深度卷积神经网络的研究;其次,引入残差网络结构,通过残差连接实现了网络的优化,有效缓解了深层网络训练中的梯度消失问题;最后,使用现实和动态场景的数据集(realistic and diverse scenes, REDS)对所提出的方法进行了验证。结果表明:与传统卷积神经网络(convolutional neural network, CNN)方法相比,引入残差网络结构的方法在峰值信噪比(peak signal-to-noise ratio, PSNR)和结构相似性(structural similarity, SSIM)指标上均取得了显著提升,表现出更好的图像去模糊效果。

关键词： 目标检测   红外图像处理   多特征融合   深度学习   全卷积回归  

摘要： 针对基于数学建模的红外气体检测方法无法解决气体逸散过程中虚景干扰的问题,提出一种基于全卷积回归和分类的甲烷气体检测方法。首先输入红外源图像,经过定向梯度特征图(Histogram of Oriented Gradient,HOG)提取模块,同时经过并行的ResNet18特征提取模块;其次将ResNet18特征与HOG特征融合;融合特征经过输出网络中的分类、回归模块,在分类模块中加入中心度偏差回归减少远离目标中心的稀薄气体、虚警产生的低质量边界框,进而提高网络模型的稳定性;最终分类模块提供的分类特征图、中心度偏差特征以及回归模块提供的边界框回归特征图经过边界框回归模块计算出最终的预测边界框。实验结果显示,检测准确率和重叠率分别可达到64.38%和51.38%,相比其它气体检测方法分别提升了20%~40%、10%~25%。表明本文方法可更为准确检测甲烷气体泄漏位置。

关键词： 条形码定位   图像处理   深度学习  

摘要： 随着物联网的发展,条形码技术在商业、医疗、运输和制造等领域都有不可或缺的作用。为了确保自动识别系统能够快速准确地读取条码信息,准确实时的条码定位算法是关键所在。首先着重介绍了条码定位算法研究:主要分为基于传统图像处理的条形码定位方法和基于深度学习的条形码定位方法。传统图像处理方法通常包括图像预处理、边缘检测和模式匹配等步骤。这些方法在处理简单场景的条码定位时表现良好。深度学习方法通过构建卷积神经网络(CNN)等模型,实现了对图像特征的自动学习和提取,具有更好的适应性和泛化能力,其次详细介绍了条形码算法所用到的数据集,并且简单介绍条形码的发展和和评价指标,最后进行总结和展望。With the development of the Internet of Things (IoT), barcode technology plays an indispensable role in various fields including commerce, healthcare, transportation, and manufacturing. To ensure that automatic identification systems can quickly and accurately read barcode information, accurate and real-time barcode localization algorithms are crucial. This paper first provides an overview of barcode localization algorithm research, which is primarily divided into traditional image processing-based methods and deep learning-based methods. Traditional image processing methods typically include image preprocessing, edge detection, and pattern matching. These methods perform well for barcode localization in simple scenarios. Deep learning methods, through the construction of models such as Convolutional Neural Networks (CNNs), achieve automatic learning and extraction of image features, offering better adaptability and generalization capabilities. Furthermore, this paper details the datasets used in barcode algorithms, briefly introduces the development of barcodes and evaluation metrics, and concludes with a summary and outlook.

关键词： 多目标跟踪   数据关联   遗漏现象   单目标跟踪器   重匹配  

摘要： 数据关联是多目标跟踪(Multiple object tracking, MOT)中的重要步骤,一般需要根据特征相似性实现目标和检测物体之间的身份匹配。部分目标或检测物体可能在匹配结束后仍处于孤立状态,可能导致轨迹中断或身份错乱的遗漏现象。为改善MOT的精度和稳定性,抑制数据关联中的遗漏现象,提出了一种基于高性能单目标跟踪器(Single object tracker, SOT)和重匹配的防遗漏机制。该机制运用Transformer和扩散模型,设计了一款契合MOT需求的SOT用于追踪遗漏目标,并通过记忆目标信息对遗漏检测物体实施重匹配。通过消融实验验证了SOT和重匹配方法在防遗漏机制中的作用,并在标准数据集上测试了该机制对MOT算法跟踪性能的影响。结果表明,各算法加入该机制后性能获得全面改善,该机制可有效抑制MOT中的遗漏现象。

关键词： 深度学习   YOLOv7   目标检测   裂隙识别  

摘要： 传统的裂隙检测方法存在人力、时间消耗大以及准确性不高等问题,因此提出了基于深度学习的裂隙检测方法。通过构建和训练YOLOv7深度神经网络模型,并利用大量的煤样图像数据,实现了对煤样中裂隙的自动化识别。试验结果表明,所采用的YOLOv7模型在裂隙检测方面取得了较高的准确性和鲁棒性,具有很好的应用前景。研究成果有望为煤矿行业提供一种高效、精确的裂隙检测解决方案,为煤炭生产的安全管理和质量评估提供有力支持。

关键词： 目标检测   野外监控传感网   运动小目标   双帧融合   时空注意力  

摘要： 由于野外监控传感系统中背景干扰较多、小目标像素点较少以及缺乏相关公开数据集等因素,在野外复杂环境中检测运动小目标仍然是国防军事应用中一个具有挑战性的问题。针对这一问题,提出一种基于YOLOv5改进的双帧融合目标检测网络(YOLO-DFNet)。首先,提出双帧融合模块用来处理骨干网络输出的相邻帧特征,通过计算通道及时间维度的注意力和空间注意力,提取运动特征;其次,在颈部网络与检测头之间设计一个时间梯形融合网络,关注不同大小感受野上的运动目标,改善大位移小目标的检测效果。在野外运动小目标数据集FMSOD上的实验结果表明:YOLO-DFNet在不同IoU上的平均精度比YOLOv5算法提高3.9个百分点,同时也优于TPH-YOLOv5、YOLOv7等其他目标检测网络。

关键词： 机器视觉   透视变换   平面单应性变换   图像处理   位姿估计  

摘要： 为提高三维激光投影系统现场使用的灵活性和快速性,提出了一种基于对象空间采样的三维激光投影系统校准方法。该方法直接将待投影对象上的一点经过透视变换映射到单目相机的像素平面,再利用待投影对象空间采样所获取到的相机像素平面与振镜数字量平面之间的单应性矩阵,得到该点所对应的数字量控制信号。通过拍摄两张图像便可实现整个三维激光投影系统的校准。试验结果表明,利用该方法,投影系统校准时间小于5 min,在3 m范围内投影定位误差小于±0.4 mm,满足工业场景的应用需求。同时,该方法对于大型待投影对象中多台振镜的协同工作有重要意义。