基于深度学习的陪护机器人目标检测方法

为解决陪护机器人在复杂的环境下进行目标检测任务时容易出现错检、漏检等问题,提出一种基于深度学习的陪护机器人目标检测方法。首先,运用改进的WGAN网络生成高质量的图片,丰富数据集多样性,为后续YOLOv5s训练奠定基础;其次,在原YOLOv5s模型上运用Gridmask数据增强技术,提升检测模型对于复杂场景和遮挡情况下的识别能力;在Backbone部分采用C2fSE模块,并将LSTM网络与YOLOv5s网络相结合,减少了网络参数量,获得了更多的上下文信息,提高了目标检测的准确性;最后将骰子系数损失加入总的损失函数。改进后的算法与原算法相比,检测精度、召回率、mAP分别提高了6.8%、4.6%、8.3%,实验结果表明,改进后的算法在小目标物体及部分遮挡物体的检测精度、漏检等方面都有所提升,适用于家用陪护机器人的目标检测工作。

基于偏振视觉的环形构件表面形貌重构

为了增强对环形构件表面的质量检测能力,提出一种基于单目DoFP偏振相机的FSV偏振检测方法。根据偏振反射分离出的漫反射信息,对基于FSV的偏振三维重建模型进行校正。利用偏振数据得到增强的二维表面图像,并进行相应的偏振三维建模。实验结果表明,与传统成像系统和非FSV偏振成像系统相比,所提出的检测方法测得的DoP图像在图像评价指标上提升3%以上,重建的三维模型和真实检测表面的均方根误差为0.35,大大提高了对环形构件表面的质量检测能力。