改进RRT算法的路径规划研究

针对传统的快速扩展随机树(RRT)算法在机械臂路径规划研究中发现路径规划的过程中存在随机性大、目标导向性差、冗余节点过多、路径规划速度慢、轨迹平滑度差等问题,提出一种增强目标导向性、减少冗余节点同时对路径进行优化处理的改进RRT算法。首先,针对传统的RRT算法存在目标导向性差、搜索时间长的问题在采样中添加了概率采样策略,增强目标的导向性;其次,用全局自适应步长的方法,可以根据地图中障碍物的空间大小来动态调整步长,达到快速路径规划,对地图的探索能力增强;针对规划过程中的冗余节点过多、路径规划速度慢的问题结合了贪心优化策略减少多余的节点,提高规划速度;最后再利用三次B样条曲线对生成路径进行平滑处理。在MATLAB进行仿真,实验结果表明改进的RRT算法在规划时间、路径长度和平滑度方面均得到有效的提高。

CGB-YOLO:用于检测钢铁表面缺陷的YOLO算法

针对YOLOv5对金属表面细小缺陷或微观缺陷的检测结果易受背景干扰的问题,提出了一种改进的金属表面缺陷检测算法。通过在主干网络引入坐标注意力机制,提高模型对缺陷的关注度;将主干网络中的一些CBS和C3模块替换为GhostNetV2结构构建轻量级的网络,优化模型的性能和效率;在Neck层采用双向特征融合网络(BiFPN)来增强颈部以产生丰富的表征,加深整个网络并重用低层次的特征。最后,广泛的实验结果表明,CGB-YOLO在NEU-DET上的精度达到75.0%mAP,比改进前提高了3.8%。该模型在金属表面缺陷检测中具有较好的综合性能。