基于捷联惯导的蛇形管道机器人定位算法

为解决蛇形管道探测机器人因处于地下管道,难以定位的问题,本文基于牛顿第二定律为蛇形管道探测机器人设计了一种高精度的捷联式惯性导航定位系统（Strap-down Inertial Navigation System SINS）。本系统搭载九轴惯性测量器件（IMU）对蛇形机器人的加速度及角速率信息进行测量,融合卡尔曼滤波算法对定位系统进行误差补偿,采用四元数法构造捷联式惯性导航系统姿态矩阵进行姿态更新,再积分得到速度和位移。利用MATLAB软件根据上述算法对机器人的速度、位移进行分析计算,并与机器人真实的速度位移做比较,验证算法的可靠性。实验结果表明,该算法的定位误差最大不超过4.7%,能够为管道探测机器人提供准确地速度和位置信息,具有较高的实用价值和意义。     

一种改进YOLOv3的手势识别算法

为了解决YOLOv3算法在手势识别中存在识别精度低及易受光照条件影响的问题,提出了一种改进的YOLOv3手势识别算法。首先,在原来3个检测尺度上新增加1个更小的检测尺度,提高对小目标的检测能力;其次,以DIoU代替原来的均方差损失函数作为坐标误差损失函数,用改进后的Focal损失函数作为边界框置信度损失函数,目标分类损失函数以交叉熵作为损失函数。结果表明,将改进的YOLOv3手势识别算法用于手势检测中,mAP指标达到90.38%,较改进前提升了6.62%,FPS也提升了近2倍。采用改进的YOLOv3方法训练得到的新模型,识别手势精度更高,检测速度更快,整体识别效率大幅提升,平衡了简单样本和困难样本的损失权重,有效提高了模型的训练质量和泛化能力。     

基于改进YOLOv5s的道路场景多任务感知算法

针对单一任务模型不能同时满足自动驾驶多样化感知任务的问题，提出了一种基于改进YOLOv5s的快速端到端道路多任务感知方法。首先，在YOLOv5s网络输出端设计两个语义分割解码器，能够同时完成交通目标检测、车道线和可行驶区域检测任务。其次，引入Rep VGG block改进YOLOv5s算法中的C3结构，借助结构重参数化策略提升模型速度和精度。为了提升网络对于小目标的检测能力，引入位置注意力机制对编码器的特征融合网络进行改进；最后基于大型公开道路场景数据集BDD100K进行实验验证该算法在同类型算法的优越性。实验结果表明，算法车辆平均检测精度为78.3%，车道线交并比为27.2%，可行驶区域平均交并比为92.3%，检测速度为8.03FPS，与同类型算法YOLOP、Hybrid Nets对比，该算法综合性能最佳。     

基于改进YOLOv4的输电线路异物检测算法

针对输电线路异物检测识别精度低的问题,提出基于改进YOLOv4(you only look once的第4个版本)的输电线路异物检测算法.首先,对YOLOv4的特征金字塔池化模块进行改进,以在背景干扰的情况下保留更多目标信息、减少最大池化导致的目标信息丢失;其次,对原有的BCE(binary cross entropy)损失函数进行优化,得到GBCE(gradient-boosting binary cross entropy)损失函数,以提升算法区分相似目标的能力;最后,在数据集上使用多种算法进行对比实验.实验结果表明:相对于其他3种算法,基于改进YOLOv4的输电线路异物检测算法具有更好的综合性能.     

采用卷积神经网络的烟火智能识别算法

相较于传统烟火、烟雾检测,基于卷积神经网络算法的烟火检测具有更高检测精度和效率,提出基于改进YOLOv3算法的烟火识别方法,应用高斯参数设计损失函数并建立YOLOv3边界框模型,实现边界框置信度计算以减少负样本.为充分利用图像局部特征信息,对网络结构进行改进,以实际烟火现场图片为待检对象,完成烟火识别过程计算.结果表明,与基础YOLOv3对比,本研究提出的改进YOLOv3算法平均精度提高5.5%,该方法有助于提升智能烟火预警、人员救助和险情跟踪作业水平,最终提升事故灾害应急和管理能力.     

基于YOLO算法的手势识别

研究YOLO算法在手势识别中的应用,提升在近肤色和光线明暗不一的背景下检测的速度和精度.YOLO算法是端到端的检测方法,通过卷积神经网络自动提取目标的特征,可以大幅度提高运算速度.鉴于YOLO算法在目标检测任务中的优良表现,将YOLO算法应用到手势识别问题中.通过对YOLO系列算法的研究对比表明,YOLO算法在手势识别中具有良好表现.同时,在YOLOv3算法的快速版本YOLOv3-tiny的基础上提出了YOLOv3-tiny-T算法.YOLOv3-tiny-T在包含5种手势的UST数据集上,平均精度均值为92.24%,较YOLOv3-tiny获得了5%左右的提升.      

小区域引导下的水尺水位检测方法研究

针对复杂环境下水尺识别及水位线检测存在准确率较低的问题，提出了一种小区域引导下的水尺水位检测方法.首先，利用改进的YOLOv4算法定位水尺上的“E”字符分割小区域；其次，在小区域内使用改进DeepLabv3+算法对水尺进行分割；再次，利用Canny算法提取水面边缘线；然后，通过统计像素坐标计算得到水位线；最后，使用线性插值法换算出水位值.实验结果表明，改进的YOLOv4的准确率均值为94.13%，高于其他目标检测网络；改进的DeepLabv3+的平均交并比为82.17%，高于其他分割网络；小区域引导下的水位线平均像素为3.030，低于直接分割，与人工读数进行对比误差小于1 cm，满足水文检测规范要求.与传统的图像检测方法相比，测量准确度更高.     

改进YOLOv4算法的GFRP内部缺陷检测与识别

为实现航空玻璃纤维复合材料内部分层缺陷的智能识别,搭建了一种多自由度光纤耦合式太赫兹时域光谱系统,对带有模拟内部分层缺陷的样件进行检测,对检测结果图像进行了数据筛选、数据增强和数据标注,构建目标检测所用数据集.同时,提出了一种改进的YOLOv4算法,提高了缺陷智能识别的精度.实验结果表明,改进的YOLOv4算法在测试集得到91.05％ 的准确率和92.02％ 的召回率,分别较原YOLOv4算法提高了5.73％ 和8.51％,具有更强的特征提取能力,并展现出良好鲁棒性,明显消除了应用原YOLOv4算法的错检、漏检现象.     

基于卷积神经网络的烟火智能识别算法研究

相较于传统烟火、烟雾传感器检测方法,基于卷积神经网络算法的烟火检测具有更高的检测精度和效率,并能提供火灾现场全局/局部详细信息。本文提出基于改进YOLOv3算法的烟火识别,应用高斯参数设计损失函数从而建立YOLOv3边界框模型,可预测边界框定位不确定性,减少负样本;为充分利用图像局部特征信息对网络结构进行改进,以实际烟火现场图片为研究对象,完成烟火识别过程计算。利用不同拍摄角度、光照条件自制火焰和烟雾数据集进行测试,结果表明,与传统YOLOv3对比,本文提出的改进YOLOv3算法平均精度提高了4.2%。研究方法将有助于提升智能烟火预警、人员救助和险情跟踪作业水平,最终提升事故灾害的应急能力。     

基于改进YOLOv3算法的水面漂浮物检测方法

针对人工湖中的水面漂浮物检测问题,提出了一种基于改进YOLOv3的水面漂浮物目标检测算法,目标检测包括目标识别与目标定位.首先通过改进的k-means聚类算法获取先验框,以提高定位框与数据集标注框的匹配度,其次在YOLOv3算法框架的3个预测支路中添加类别激活映射(CAM),将原基于边界框的定位方式替换成基于像素点进行定位.实验结果表明:改进的YOLOv3算法提高了识别精度,降低了定位误差.识别精度为97.49％,比YOLOv3算法提高5.14％,平均定位误差为2.60个像素点,比YOLOv3算法减小了1.36.     

越野环境的三维地图重建

针对移动机器人越野环境下地图重建的问题,提出了一种三维网格地图的更新算法.该算法利用四线激光雷达(LD_ML)获取环境局部位置信息,结合机器人同一时刻DGPS/INS联合定位系统的位姿,依据障碍的坡度与高度阈值进行障碍区域检测.分别对障碍与非障碍区域采用最大值和均值法进行更新,完成环境地图的重建.试验结果表明:该算法在越野环境中具有良好的重建效果,可将机器人沿途经过的路面及周围环境构建出来.     

基于双目立体视觉的海浪波面三维重建技术

为了提高海面特征点检测的准确度和三维重建的精度,在基于传统的Harris算法的基础上,提出1种基于高斯金字塔图像的改进Harris特征点检测算法.利用搭建的双目相机平台,对海浪图像进行采集并完成相机的标定过程,然后根据改进的角点提取算法对图像的角点进行检测,利用尺度不变特征变换(scale-invariant feature transform,SIFT)算法对海浪图像特征点进行立体匹配得出视差图,最后根据三角测量原理获取图像的深度信息,实现海浪波面的三维信息重建.实验结果证明,在针对海浪图像时,该方法具有更高的精度和准确度.     

FEDDR:一套实用的地下排水管道缺陷智能检测系统

地下排水管道缺陷检测是地下管线高效管理的基础，也是实现“智慧城市”的关键性问题。针对工程项目中对管道缺陷判别的需要，提出并实现了一套实用的地下排水管道缺陷智能检测FEDDR(frame extracting-detection-duplicate removal)系统，将视频缺陷检测过程分为检测前的视频预处理阶段、缺陷检测模型构建阶段以及缺陷检测优化3个阶段，采用帧间差分算法及VGG16网络对管道视频抽帧处理，筛选出兴趣检测帧，减少待检测数据量；选取YOLOv3为网络主框架，用轻量高效的EfficientNet结构替换原来的主干网络，采用迁移学习策略，用自建数据集Pipe-DATA对其进行训练，建立起高效的管道缺陷检测模型，并在检测帧输出检测结果时采用两次输出的优化策略来防止缺陷漏检；对检测出的缺陷帧图像进行文字识别，去重优化自动生成结果表单。将该方法应用到了某区域的将近3 km的管道视频数据中，共检测出了656个缺陷，与人工判别结果对比，准确率达94.3%,召回率达到98.7%,整个过程一体化完成，大大减少了人工成本，提高了排水管道缺陷的检测效率，具有工程实用性。     

工业管道内壁损伤重建与检测

工业管道内壁的检测可以提前发现安全隐患,降低危害。针对管道内壁分辨率低、适用性差等特征,提出了工业管道内壁的重建方法。首先搭建内窥镜视频采集平台对管道内壁进行实时采集,采用张正友平面标定法进行标定处理,为了提高工业管道内壁检测的时效性,研究了几何成像关系对管道内表面图像进行径向拉伸的算法;采用改进的尺度不变特征转换(scale-invariant feature transform, SIFT)算法进行特征点提取与匹配,融合随机抽样一致(random sample consensus, RANSAC)算法和加权融合算法剔除误匹配对以及消除拼接缝,实现了管道内表面损伤图像的完整重建。实验结果表明,该算法时效性仅有1.562 5 s,准确率可高达96%以上,为工业管道内壁损伤检测提供了新的思路。     

基于附加噪声预测器UKF的摄像机标定算法

由于环境等因素影响摄像机拍摄过程中存在可变噪声,针对传统无迹卡尔曼滤波(unscented Kalman filter,UKF)算法无法处理未知噪声的问题,设计了一种基于附加噪声预测器UKF的摄像机标定算法.首先,对传统UKF算法进行改进,引入噪声估计器并用极大后验估计求取次优解,解决未知可变情况下的噪声问题.然后,利用该改进UKF算法对摄像机进行标定,实现了标定精度的有效提高.实验结果显示该算法在有效保证滤波收敛性的同时,显著提高了滤波和摄像机的标定精度,由此推断基于附加噪声预测器UKF的摄像机标定算法是可行高效的.     

基于多传感器的隧道异常自动巡检系统的设计

为及时发现隧道内渗漏水和裂缝病害,提早采取应对措施而降低损失和节省成本,设计了一套基于多传感器的隧道自动巡检系统。通过分析隧道内渗漏水和裂缝表现出的特征,针对渗漏水现象,通过红外热成像设备获取环境的温差伪彩图,设计出一种多邻域生长动态异常区域识别算法检测漏水点;针对裂纹细小难以识别的问题,通过大面阵工业相机获取高分辨率图像,并提出一种基于相机标定的图像拼接方法获取隧道内全部视场,从而扩大裂纹检测范围。将传感器模块化安装在隧道运动巡检设备中,构建一套完整的网络架构,进行信息交互和数据传输。实验结果证明该系统有较强的可靠性和鲁棒性,渗漏水检测算法误检率低,可有效检测出温度异常区域;图像拼接算法成像质量高、拼接速度快。     

三维计算机视觉系统中的结构光快速定标

利用DLT模型及简化模型 ,导出双相机单激光系统定标模型 ,巧妙地设计适用于单双相机系统的透明定标薄板 ,实现从单摄像机到双摄像机的快速定标。整个方案简单快速有效 ,定标精度达像素级。方案还可推广到多相机多激光源系统。     

基于主动视觉的机器人末端姿态测量

采用平面校准形及移动摄像机到不同形位摄取图像的方法来进行摄像机校准，由灭点正交性和单对应矩阵的固有特征估计摄像机内、外参数初值，通过非线性优化来最小化投影误差；利用遗传算法求解机器人手眼矩阵，避免了初值估计，可容易地得到机器人执行器末端相对于绝对坐标系的姿态．实验和计算验证表明，这种测量方法是有效的，可以用于机器人校准、机器人辅助测量以及机器人辅助手术等领域．     

基于视觉识别技术的移动式樱桃采摘机器人设计

为了降低樱桃采摘过程中的破碎率,提高采摘效率,设计一种新的基于视觉识别技术的移动式樱桃采摘机器人。将TI公司的32位数字处理器芯片TMS320F2812作为核心处理器设计移动式樱桃采摘机器人,本文给出硬件总体方案,并且通过SAA7105完成对视频图像的编码操作。软件设计主要包括樱桃的定位、机器人手眼标定和机器人路线规划。依据目标上多个点的三维位置信息对樱桃球模型进行重建,通过最小二乘法求出樱桃质心位置,实现樱桃的定位。将樱桃在机器人坐标系中的定位简化成求解摄像机坐标系和机器人坐标之间的映射矩阵,通过映射矩阵实现机器人手眼标定。考虑到樱桃的采摘要求,通过分段路径规划对机器人的运动进行控制。实验结果表明,所设计机器人图像处理性能强、定位精度高,在保证采摘精度的同时,有很高的采摘效率。