关键词： 智能驾驶   目标检测   多传感器融合   深度学习  

摘要： 近年来,智能驾驶技术迅速发展,使该技术在增强道路安全性和出行效率方面发挥了积极的作用。环境感知是智能驾驶技术的重要组成部分,它直接影响智能驾驶系统的安全性和可靠性,而高质量融合多源传感器信息是提升感知能力的关键。故本文聚焦智能驾驶中的环境感知问题,对视觉与激光点云目标检测的算法优化以及多传感器融合目标检测算法进行深入研究,并进一步联合三维多目标跟踪技术,做了一套完整的基于融合的目标检测与多目标跟踪系统,并在公开真实场景数据集和自采集数据上进行了验证,提升了智能驾驶汽车在真实道路场景中的感知能力。主要研究如下: (1)基于视觉的目标检测算法设计:针对远距离、小尺寸目标的视觉检测精度较低问题,提出了一种基于改进YOLOv5s的轻量视觉检测算法。通过融合VMamba的SS2D模块以及Efficient VMamba的EVSS结构以及YOLOv5的C3模块,构建一种适合较低分辨率目标检测的网络结构;同时引入Unified-Io U损失函数,通过动态权重调整策略有效提高检测精度。在KITTI及自采数据集中,算法综合性能优于原始YOLOv5s与一些其它轻量目标检测模型。 (2)基于激光点云的目标检测算法设计:为提升低密度点云目标检测精度,提出一种重新设计的Point Pillars点云目标检测算法。该方法设计一个双通道特征编码结构,分别采用最大池化通道提取局部几何特征,利用平均池化通道捕捉点云全局分布特征,然后通过卷积网络实现双通道并行池化后的特征信息融合。此外,本文进一步利用Mobile Netv4重构了Point Pillars模型的骨干网络,有效降低模型的参数量和计算量,提升远距离目标检测的鲁棒性。 (3)视觉与激光点云融合目标检测算法设计与跟踪算法应用:针对传统视觉与激光雷达融合算法在复杂动态场景中融合精度不高、鲁棒性不足的问题,提出一种改进的视觉与激光雷达融合目标检测算法。通过引入目标面积比优化几何一致性判别,并设计残差融合网络,有效提升多传感器数据融合的准确性与稳定性。在此基础上,结合AB3DMOT三维多目标跟踪算法,进一步验证融合检测结果在跟踪任务中的有效性,提升多目标跟踪的准确性与鲁棒性,为智能驾驶系统提供更全面、可靠的感知信息支持。

关键词： 车轮卡顿   车轮摆动   轨迹分析   计算机视觉   故障检测  

摘要： 烧结工艺是钢铁生产的重要步骤,为高炉炼铁提供优质的原料。烧结机台车作为烧结工艺的核心设备,周期性地运输烧结矿石,烧结机台车的运行状况直接影响烧结矿的质量和钢铁生产的整体效率。烧结机台车长期在高温、重载、高浓度粉尘的恶劣环境下不间断运行,车轮轴承容易出现堵塞、断裂或弯曲等故障,进而产生车轮卡顿或摆动现象。如果不及时对故障车轮进行维护,可能导致车轮脱落,引发生产事故。针对低速重载运行下的烧结机台车轴承故障检测自动化水平较低,人工定期停机检修费时费力等问题,本文提出了一种基于螺栓运动轨迹的车轮卡顿和摆动检测算法,同时检测车轮的卡顿和摆动现象,从而判断烧结机台车的轴承故障情况。 本文的研究内容主要包括以下四个部分:(1)车轮子部件目标检测和螺栓运动轨迹绘制:构建烧结机台车车轮图像数据集,利用YOLOv9网络训练车轮关键子部件检测模型;计算六个螺栓坐标框的中心坐标并采用最近邻匹配算法对螺栓中心坐标进行坐标匹配,以获取同一螺栓的运动轨迹。(2)基于多轨迹GRU与多头注意力机制的车轮卡顿与摆动检测算法:使用所构建的模型对正常轨迹、卡顿轨迹及摆动轨迹进行分类,比较所构建的其他循环神经网络模型的性能,选择多轨迹GRU与多头注意力机制模型应用于车轮卡顿与摆动检测。(3)基于螺栓运动轨迹残差的车轮卡顿与摆动检测算法:基于螺栓运动原理构建数学模型,计算螺栓的正常运动轨迹,并与实际轨迹对比,计算轨迹坐标的残差值,通过设定残差阈值实现台车车轮卡顿与摆动的检测,从而进一步检测轴承故障。(4)烧结机台车车轮卡顿与摆动检测系统:构建基于PyQt5和MySQL数据库的检测系统,集成上述两种算法,形成完整的检测系统,用于烧结机台车车轮运行状态的实时监测与故障诊断。 为了验证卡顿和摆动检测的准确性,搭建了烧结机台车车轮卡顿和摆动检测平台,对所提的算法进行测试。多轨迹GRU与多头注意力机制模型的准确率为90.38%,比所构建的其他循环神经网络模型表现更优。使用基于螺栓运动轨迹残差的车轮卡顿与摆动检测算法对120段视频进行卡顿和摆动检测,测试集中视频均准确地完成了车轮的卡顿和摆动检测。构建故障检测系统集成两种卡顿与摆动检测算法,形成完整的卡顿和摆动检测系统,为烧结机台车轴承故障检测提供可行的方案。

关键词： 阳极铜   人工智能   图像处理  

摘要： 本文应用人工智能（AI）技术构建阳极铜自动化检测系统平台，对该系统的理论设计、功能输出及实际应用进行了深入分析，通过图像采集系统拍摄阳极铜板身正侧面及耳部结构，基于卷积神经网络（Alexnet）建立深度卷积神经网络，结合混沌鸟群算法实现对阳极铜毛刺、裂纹、鼓包等外观缺陷的判定。对预处理后的图片进行计算，运用Canny边缘检测算法、形态学开闭运算、膨胀和腐蚀组合运算，生成耳部与板身最厚和最薄数据，整个流程通过图像预处理、外观缺陷检测模块及尺寸计算模块生成阳极铜板检测报告，经过系统数据和人工检测对比验证了该检测系统的准确度和可靠性。结果表明，该平台测量精度达到毫米级，有效解决了人工目测可靠性低的问题，为电解铜精炼工艺提供了高精度质量数据支撑。

关键词： 计算机视觉   变电站设备监测   深度学习   故障诊断分析  

摘要： 阐述计算机视觉在变电站设备监测中的应用基础，针对设备的典型故障类型，提出一种基于深度学习的智能监测系统架构，并探讨变电站设备智能监测系统的实现与优化方法，以提高运维的智能化水平。

关键词： 目标检测   深度学习   钛棒表面缺陷   YOLOv8   可变形卷积  

摘要： 钛棒打磨是钛材型材制造的关键步骤，其表面裂纹检测定位是自动化打磨的基础。针对传统目标检测模型对狭长裂纹检测精度低、泛化能力差、计算效率低等问题，提出基于改进YOLOv8s的DEBM-YOLO模型。通过添加ELA注意力机制捕捉裂纹的长距离空间依赖关系；采用DCNv3卷积模块增强主干网络的感受野和表示能力；使用双向加权特征金字塔结构替换YOLOv8中原有特征金字塔结构改善多尺度特征融合；最后，采用MPDIoU替换CIoU以提升泛化性能和收敛速度。在实地拍摄的数据集上的实验结果表明，改进后的DEBM-YOLO模型参数量下降4.5%,精确度上升1.9%,mAP@0.5上升1.4%,mAP@0.5:0.95上升1.9%,召回率上升4.9%,同时得到了检测精度提升与轻量化。

关键词： 计算机应用   智能交通   车道分界线   多视角   车速检测   计算机视觉  

摘要： 针对现有视频交通参数提取方法过度依赖人工标注、单一视角无法有效修正现场车辆动态行驶偏差的问题，本文提出一种分割可跨越车道分界线的多视角视频车速提取方法。该方法由标注点自动生成模块、多视角纠偏模块构成：标注点自动生成模块通过构建基于等长车道分界线的参照块，实现自动生成标注点的过程；多视角纠偏模块通过车辆与车道分界线的多种映射方式和基于平均速度概率密度函数的纠偏测速方法，校正车辆在动态行驶时产生的两类偏差。在公开数据集和实测数据集上的实验结果表明，本文所提方法的车速提取精度优于其他测速方法，且具有一定的普适性。

关键词： 目标检测   RT-DETR   电气柜装配   机器视觉系统  

摘要： 随着工业自动化的快速发展,电气柜作为承载电子设备和控制系统的重要载体,其内部元件位置安装正确与否,直接关系到设备的性能与安全。目前,电气柜内部元件的安装顺序仍主要依赖人工目视检测,但这一方式存在效率低、稳定性差、成本高等问题。为此,本文提出了一种基于机器视觉的电气柜装配质量检测系统,并围绕关键技术展开深入研究,包括质检系统核心部件的选型、电气柜内部元件的图像采集与拼接、目标检测算法优化、文字识别技术应用以及工业机器人集成方案设计。最终,本文构建了一套完整的电气柜装配质量检测系统。本文主要工作内容如下。 (1)针对机器视觉电气柜装配质量检测系统的需求,设计了完整的硬件与软件方案。硬件方案综合考虑效率、精度、操作性和稳定性,完成相机、镜头、光源及工业机器人的选型与集成。软件方案基于硬件架构,结合自动化检测流水线需求,制定了系统运行流程。 (2)针对机械手移动过程中相机视野受限可能导致的漏检与错检问题,本文采用图像拼接技术,以减少视野局限和移动拍摄带来的检测缺陷。此外,为提升数据集的多样性与泛化能力,首先对采集图像进行扩充;然后,结合电气柜内部元件特点,深入分析并确定合理的标注对象;最终,构建了包含3500张图像的电气柜内部元件数据集。 (3)针对RT-DETR算法在电气柜内部元件检测中存在的参数量庞大、检测速度慢及目标尺度变换大等问题,本文在RT-DETR基础上优化并提出MSA-DETR网络模型。首先,设计多尺度快速提取模块(MSFE)作为网络主干,以扩大感受野并提升检测速度;其次,引入Hi Lo注意力机制优化单尺度特征交互模块(AIFI),进一步提高检测效率;最后,采用MPDIo U损失函数,加快模型收敛并提升检测精度。消融实验结果表明,与传统RT-DETR相比,该改进方案在参数量减少42%、计算复杂度降低37.7%的情况下,精度提升2.4%,检测速度提高61.1%,达到57.6张/秒。此外,电气柜内部存在大量型号相同但规格不同的元件,其外观高度相似,主要区别仅在于铭牌信息。为解决这一难点,本文结合元件表面特征,提出基于模板匹配与仿射变换的二次精定位方法,实现待识别区域(ROI)的精准提取,并结合文字识别技术,准确识别元件规格信息。 (4)本研究在实验室环境下搭建了电气柜装配质量检测系统的物理模型,并基于机器视觉进行检测。系统采用C#语言开发上位机软件,运行于Winform框架,并结合多线程技术实现相机画面采集、数据存储、检测算法执行及通信模块集成。此外,工业机器人的采集路径通过示教方式设定。实验结果表明,该系统在电气柜装配质量检测中具有良好的精度和稳定性,验证了方法的可行性及工程应用价值。 本研究设计的电气柜装配质量检测系统结合了传统图像处理算法、深度学习技术和机器人集成应用。实验结果表明,该系统能有效提高检测精度和效率,具有广泛的应用前景。除电气柜装配质量检测外,该系统还能为智能制造提供技术支撑,在推动工业自动化方面具有重要价值。

关键词： 无人驾驶   图像处理   曝光融合算法   目标检测算法   注意力机制   正样本优化  

摘要： 在科技和经济迅猛发展的背景下,无人驾驶技术成为了公众关注的焦点,其核心组成部分——车载图像处理技术和交通目标检测算法的重要性也随之增加。由于采集环境的影响,采集到的图像常常面临光照不均匀和暗区域细节模糊的问题;低质图像中较多的噪点使小目标、密集目标间边缘信息丢失,感知算法难以区分目标边界导致准确性下降;此外,在训练目标检测模型时,合理分配正样本的数量和质量对于提升模型学习效果也至关重要。这些问题对目标的准确识别构成了挑战。针对这些问题,本文主要工作包括以下三个方面: (1)针对无人驾驶场景中车载传感器采集到的图像存在光照不均匀、暗区域细节模糊等问题,提出了一种基于曝光融合的低质图像增强算法。首先,结合Ying算法和曝光融合算法,采用亮度分量及曝光融合的对比度增强的方法解决低质图像中光照不均匀的问题,有效提高图像清晰度;其次,基于去雾理论的色阶平衡矫正解决低质图片中暗区域细节模糊,平衡了图像的亮度和对比度,改善色彩平衡;最后,将原始图像和第二阶段的输出图像采用基于自适应的多尺度特征金字塔融合的方法对图像细节进行修复,得到具有更高图像质量的增强图像,有助于识别图像中的细节信息。与各主流算法进行对比,本文所设计的图像增强算法在数据集上的各个客观评价指标均有显著优势,人工主观评价也能够证明这一点。 (2)针对自动驾驶环境中行人及车辆密集导致小目标检测效果不佳的现状,本文基于YOLOv7算法实施优化。首先,通过在原有多尺度检测框架中新增下采样模块,专门用于微小目标识别;其次,重构SPPCSPC模块,裁剪掉池化层之前的CBS层,同时嵌入无参注意力机制Sim AM,减少对背景信息的处理,增强对重要特征区域的关注;最后,为了进一步强化多尺度特征的融合效果,设计了高效聚合ELAN-F模块,将通道和空间注意力进行融合,保留了更多特征信息,进而提升模型在目标检测方面的性能表现。 (3)针对算法模型在训练时缺少足够数量且质量较高的正样本导致训练精度不佳,本文提出了一种基于检测网络的目标检测组件设计。首先,通过采用动态的样本分配策略,根据预测的边界框与真实框的分类得分和交并比来计算预测质量,改善检测目标在网络中正负样本分配不均匀的问题,充分地优化目标检测网络,提高在无人驾驶复杂场景下的检测精度;此外,构建了基于定位可靠性优化的IoU-NET模块,通过增设与分类回归并行的IoU预测分支,优化了NMS处理机制,从而提升了检测效果;最后,运用MPDIoU损失函数,有效应对预测框与真实框长宽比相同但尺寸差异显著的问题,实现了更高效的回归速度和更精准的检测精度。

关键词： 视觉SLAM   动态场景   视觉里程计   回环检测   SegNet   YOLOv5  

摘要： 近年来,智能移动机器人广泛应用于工业、农业及军事领域,推动同步定位与建图(SLAM)技术成为研究焦点。视觉SLAM技术凭借成本低、感知能力强等优势备受关注。然而,动态环境中的运动物体会引发特征误匹配,导致机器人定位精度下降、建图残影显著、鲁棒性低,严重影响系统实际应用。 针对这一挑战,本研究设计了一种基于RGB-D相机的动态视觉SLAM系统。通过融合轻量级深度学习模型(SegNet,YOLOv5)与几何约束方法,能够对动态物体产生的干扰有效抑制。具体而言,采用SegNet网络进行语义分割,结合YOLOv5模型实现目标检测,在保证实时性能的同时准确识别潜在运动物体。在此基础上,将语义信息与多视图几何约束相结合,通过运动一致性检验有效检测动态物体,最终构建高精度的静态环境地图。本研究的主要工作包括: 1.针对动态干扰问题设计了一种前端视觉里程计。该视觉里程计结合SegNet语义分割和YOLOv5目标检测以及多视图几何法对动态点进行多阶段过滤。语义分割能实现精准的区分动态物体和静态场景,但比较耗时,因此,本文设计了一种自适应阈值的语义帧选择策略,有效提高了系统运行效率。同时,目标检测可以实现快速检测,但如果去除框内检测到的所有动态特征点,就会导致特征点数量过少,影响系统的跟踪线程,不利于系统的稳定性。所以将二者结合,优势互补,并基于多视图几何法设计一种动态点选择策略,在降低环境中动态因素影响的同时,尽可能保留环境中的静态信息。 2.针对动态干扰问题提出了一种回环检测算法。该回环检测算法也结合了语义分割和目标检测。其中YOLOv5一直提供物体检测框帮助过滤动态物体,SegNet可以区分动态物体和静态场景,为相机不断矫正自身位姿以及构建静态地图提供帮助。最后,本文结合语义分割和目标检测去除动态物体的影响,构建了稠密点云地图和语义八叉树地图。 3.在TUM和Bonn公共数据集上进行了多组定位和建图实验分析。实验结果表明,相比之前的ORB-SLAM2等视觉SLAM系统,本文系统在动态环境下的定位精度平均提高了 50%以上,并且大幅度地改善了建图效果。此外,在实体采摘机器人上进行了实验,验证了本文提出的系统的可行性。