关键词： 工业机器人   智能装配   高精度   视觉引导系统   图像处理  

摘要： 本研究针对工业机器人在智能装配领域面临的精度与效率难题,设计并开发了一套高精度视觉引导系统。通过深入研究视觉感知、图像处理、机器人运动控制等关键技术,优化系统架构与算法,实现对装配目标的精准识别与定位,有效提升工业机器人装配的精度与效率。实验结果表明,该系统在复杂工业场景下能稳定运行,装配精度误差控制在极小范围内,为工业智能装配技术的发展提供了重要参考。

关键词： 野生动物   目标检测   红外相机   运动检测   伪标签  

摘要： 红外相机是监测野生动物的常用方法,但存在数据量大、背景信息复杂等问题,导致监测数据标注和检测困难。针对以上问题提出一种基于伪标签和YOLOv4的野生动物检测方法。本方法首先基于运动检测的伪标签标定方法,通过背景差分法和形态学操作实现对视频数据集的自动快速标注,降低监测环境中复杂背景的不利影响;然后通过跨阶段局部卷积块,减少YOLOv4中路径聚合网络所需的计算量;最后在密集卷积区域引入Swish激活函数,提高模型在深层区域的特征提取能力,以浙江江山仙霞岭自然保护区的6种野生动物监测视频作为数据集进行实验。结果表明:本方法在平均精度均值和帧率指标上达到了86.41%和18.93帧/s,相比于YOLOv4、RFCN、YOLOv8x算法分别提高1.62、3.43、7.11个百分点,证明所提出算法可以有效克服现有方法标注和检测困难的问题,提升了野生动物监测数据检测平均精度均值和帧率,有助于野生动物监测数据分析的自动化和智能化。

关键词： 草莓果实   深度学习   YOLOv5s   目标检测   复杂背景  

摘要： 为克服草莓采摘机器在作业过程中存在采摘点定位精度低、遮挡草莓识别困难以及复杂背景干扰等问题,对现有的YOLOv5检测模型进行改进,通过引入全局注意力机制(GAM),增强模型对全局特征感知能力,更专注于草莓显著特征,减少误检同时提升对小目标特征提取和强化被遮挡区域特征,旨在提升模型自然环境背景下草莓果实定位准确率和遮挡识别的预测精确率;优化损失函数,使用软交并比(SIoU)作为损失函数,以增强尺度不变性和角度敏感性,确保正负样本的有效平衡。试验结果显示,相比于原始模型,经过改进后的模型在草莓果实检测精确率、召回率、平均精度、平均精度均值上分别提高2.20%、5.78%、5.11%、3.11%,在与SSD、YOLOv5s、YOLOv5m、YOLOv7—tiny、YOLOv8n以及YOLOv9c的对比试验中,在各项指标上均有很大优势,具有强鲁棒性,为机器人精准采摘的实现提供重要的技术支撑。

关键词： 空间目标   仅测角   C-W方程   摄动   目标跟踪  

摘要： 针对在仅测角相对导航中由于状态方程精度不够导致跟踪误差发散的问题，提出一种基于扩展卡尔曼滤波（Extended Kalman Filter，EKF）的高轨空间非合作目标跟踪方法。首先，构建了非合作目标的相对运动模型，建立了状态方程和量测方程；然后，利用合适的摄动力项对状态方程进行改进，使状态方程与实际情况更相符；最终得到的空间非合作目标仅测角跟踪算法与改进前相比，提高了C-W方程的精度，进而提高了相对导航的精度。通过将不同的改进项应用于目标跟踪并进行仿真比较，以空间目标的实际运动轨迹和预测轨迹的相对距离的误差为评价指标，仿真结果表明，跟踪精度明显提升，满足相对导航的指标要求。

关键词： 喷药机   多喷头   翻转   折叠   图像处理   Simulink仿真   喷药性能  

摘要： 农药喷洒是植保的重要环节,但传统喷药机存在喷药效率低、喷洒精度低、对农作物破坏性大、危害喷药人员身体健康等问题。为此,设计了一款多喷头拉杆翻转折叠式喷药机,其具备图像处理、全方位喷药、自动化喷药3大核心技术,克服了传统喷药技术的不足,且在喷药精度等方面优势明显。阐述了该多喷头拉杆翻转折叠式喷药机的基本结构和工作原理,并对其关键结构包括移动装置、储药装置、旋转驱动装置、喷药装置、电路与控制装置进行了结构分析与设计。利用Simulink可视化仿真工具进行了路面不平度分析、振动分析和强度校核,各项指标均符合要求。最后,为测试自动喷药机的运行情况和实际作业性能,对样机进行了喷药性能试验。通过测定喷药机的飘移潜在值,得出喷药机的喷药性能较为稳定,从而验证了该喷药装置的可行性。

关键词： 谷穗   目标检测   深度学习   YOLOv8   注意力机制   产量预测  

摘要： 在预估谷子产量的过程中,谷穗数是重要的指标之一,对谷穗进行准确检测在谷子测产中有重要的指导作用,因此,提出一种改进YOLOv8算法来实现对谷穗的识别。首先,将YOLOv8网络Backbone部分的传统卷积神经网络替换为占用体积更小的GhostConv卷积模块,以此来减少网络参数量。其次,考虑到谷穗目标较小的情况,使用全维度动态卷积ODConv专注小目标检测以此提高精度。最后,在Neck网络中引入CBAM注意力机制模块使网络模型更加聚焦谷穗的形态特征,提高对重叠目标的识别准确率。试验表明,改进后的模型与原模型相比,精确率、召回率、mAP@0.5和mAP@0.5∶0.95分别提升1.5%、0.4%、2.9%和1.0%,模型大小为5.87 MB,检测时间为44 ms。改进后的模型可以准确且快速识别出复杂背景环境下的谷穗,为谷子产量预估提供技术支撑。

关键词： 道路目标检测   GhostConv   YOLOv8   注意力机制  

摘要： 目标检测技术作为计算机视觉领域的一项关键技术,已经在多个领域得到广泛应用,尤其在精确解析道路交通场景方面发挥着关键的作用。然而,在车辆密集且路况复杂的道路交通环境中,传统目标检测方法存在准确性不足、误判与漏判等问题。此外,大型模型在资源受限的边缘设备上的部署难题,进一步限制了其在实际场景中的应用。基于YOLOv8目标检测模型,提出了一种用于道路目标检测的方法。首先,采用GhostConv卷积核替代C2f结构中的Bottleneck层的常规卷积,显著降低了模型的参数规模。然后,融合GhostConv与LSK注意力机制,构建了GhostLSK模块,在降低整体参数规模的同时,显著提升了模型对交通车辆和行人的特征提取能力。最后,在检测头上新增一个小目标检测层,加强对小目标的检测能力。在YOLOv8n和YOLOv8s模型上进行的改进实验,通过KITTI和SODA10M数据集的严格验证,证实了所提方法的有效性。改进后的YOLOv8n模型在KITTI数据集上的mAP@0.5达到了92.5%,相较于原始模型提升了1.3%,同时参数量下降了29.2%。YOLOv8s模型在同一数据集上的mAP@0.5达到了94.9%,提升了0.8%,参数量减少了33.7%。

关键词： 小目标检测   无人机航拍图像   YOLOv8n   特征提取  

摘要： 针对无人机航拍中存在的复杂背景下微小目标辨识难度大、检测精度较低等问题，本文提出一种基于YOLOv8n改进的聚焦小目标的航拍图像检测算法FocusedSmallTargetDetection-YOLO(FSTD-YOLO)。本研究设计的MRFF特征提取模块（Multi-Receptive Field Feature Extraction Module）能够增强复杂背景下模型的学习能力，避免随着网络加深而产生的小目标信息丢失、特征学习不足等问题。通过引入微小目标检测头，移除效率不高的大目标检测头，使模型更专注于小目标的检测以减少非相关尺寸目标的关注。通过引入多重注意力机制模块增强模型对于多尺度目标的识别能力。实验中，本文使用Inner-MPDIoU损失函数替代CIoU损失函数，更精确地衡量预测框与真实框之间的差异，促进航拍图像中低Io U样本的快速收敛。实验结果表明，在VisDrone数据集上，与YOLOv8n相比，FSTD-YOLO的m AP@0.5和m AP@0.5～0.95分别提高了9.1%和6.1%。同时，参数量减少了13.0%，权重文件大小减少了11.1%，更有利于移动端的部署。

关键词： 图像处理   颅骨剥离   卷积神经网络   SegResUnet   半监督学习  

摘要： 为提高医学影像分析中颅骨剥离的精度,尤其是具有明显病理影响(如脑肿瘤)的多模态大脑MRI影像、2D/3D混合扫描的大脑MRI影像,研究基于SegResUnet的半监督学习大脑MRI影像颅骨剥离(脑区分割)。以卷积神经网络为基础,采用高效分割网络———SegResUnet对多模态数据参数进行训练学习,通过残差分割模块强化U型结构中编码器和解码器的特征提取效能,并借助半监督学习模式辅助训练,提升模型在3D带标签数据和2D无标签数据上的分割精度。将基于SegResUnet的半监督学习大脑MRI影像颅骨剥离方法应用于751例三中心公开数据集,其脑区分割实验结果表明,单模态分割精度最高能达到98.57%,与混合模态分割精度持平;单模态平均分割精度能达到98.35%,相比经典的Unet模型精度提升0.2%。

关键词： 目标检测   YOLO11n   红外船舶检测   多尺度模型  

摘要： 提出一种基于YOLO11n的船舶红外图像目标检测算法AGT-YOLO，旨在解决模型精度和召回率偏低、小目标识别困难以及复杂海况下的多尺度识别问题。通过引入改进后的GhostHGNetV2网络，增强背景区分能力；设计的ASF-P2优化颈部网络，以提升对低分辨率图像和极小目标的检测能力；研究的TAADH检测头替换原有检测头，提升定位和分类性能；同时，融入AFGCAttention注意力机制，提高全局信息处理能力和模型的泛化能力。实验结果表明，与基准模型YOLO11n相比，AGT-YOLO的召回率提高了4.4%，平均精度mAP@50提高了3.1%，并在复杂环境下展现出较强的多尺度识别能力和鲁棒性。