基于改进YOLO及NMS的水果目标检测

为使水果采摘机器人在复杂情况下如树叶遮挡、果实目标尺度变化大等情况能准确地检测出水果,提出一种YOLO(you only look once)改进模型与NMS(non-maximum suppression)改进算法的目标检测方法。首先,对传统YOLO深度卷积神经网络架构进行改进,设计一种更细化的SPP5(spatial pyramid pooling)特征融合网络模块,强化特征图多重感受野信息的融合,并基于此模块提出一种YOLOv4-SPP2-5模型,在标准YOLOv4网络中跨层添加并改进SPP层,重新分布池化核大小,增强感受野范围,从而降低目标误检率;其次,提出一种Greedy-Confluence的NMS改进算法,通过对高度接近的检测框直接抑制和对重叠检测框综合考虑距离交并比DIOU(distance-intersection over union)和加权接近度WP(weighted proximity)的方法,均衡NMS的计算消耗并减少检测框的错误抑制,从而提高遮挡、重叠物体的检测精度;最后,分别对改进方法进行性能测试,验证方法的可行性,随后制作水果检测数据集并进行格式转换和标签标注,然后采用数据增强技术对训练数据进行扩充,并使用K-means++聚类方法获取先验锚定框,在计算机上进行了水果检测实验。结果表明,基于改进YOLO网络及改进NMS的水果检测方法在准确率方面有显著的提高,平均精度均值(mean average precision,MAP)在YOLOv4上达到了96.65%,较原网络提升1.70%,并且实时性也得到了保证,在测试设备上达到了39.26帧/s。

改进的线性自抗扰永磁同步电机转速控制器设计

基于线性自抗扰控制(linear active disturbance rejection controller,LADRC)在永磁同步电机(permanent magnet synchronous motor,PMSM)转速、电流复合控制中无法应对q轴电流突变和参数整定存在缺陷,提出一种改进的自抗扰控制器。首先,分析常规LADRC在转速、电流复合控制的设计方法,并对其核心参数进行剖析。其次,基于常规LADRC用最速控制综合函数(fhan)代替比例微分(the proportion of differential,PD)进行控制律设计,提高系统控制性能并优化参数配置方式;同时基于该函数特性,设计电流外环控制器,利用电流偏差反馈算法对q轴电流进行限幅控制,避免电流冲击过大损伤硬件。通过搭建实验平台测试,实验结果显示改进的LADRC能有效应对q轴电流冲击,同时具有与传统LADRC相当的抗扰能力,并且对扰动的瞬态响应时间缩短20 ms,表明改进的LADRC具有更高的安全性能和良好的抗扰能力。

基于激光信息的移动机器人定位研究

针对移动机器人在导航定位过程中,使用传统蒙特卡罗定位算法会产生粒子收敛较慢和定位精度不高,以及发生人为绑架情况后重定位效率较低的问题,给出了一种改进的粒子滤波定位方法来提高移动机器人的导航定位效率。首先,在蒙特卡罗定位算法的基础上进行改进,融入自适应区域划分的方法,保证所划区域包含更多有效信息,减少粒子的收敛时间,完成机器人初步粗定位。然后,在粒子采样和重采样阶段,使用正态分布概率模型进行粒子权重更新,实现更加快速高效地全局精定位。通过实验对比分析,所给方法与基于蒙特卡罗定位算法相比较,耗时缩短了4 s,且本文的自适应蒙特卡罗定位方法,能够将定位误差保持在6 cm左右,从而验证了所给方法的有效性和稳定性。

一种低对比度背景下的工件边缘检测方法

针对现有的边缘检测算法在应对边缘灰度变化非常低且有划痕情况下的工件图像噪声消除时,所产生的图片边缘信息丢失,使得边缘提取时因丢失大量边缘信息且难以消除工件表面划痕干扰的问题,提出一种将改进的高斯滤波和中值滤波相结合的滤波方法,在有效消除大量高斯噪声和椒盐噪声的同时还有效地保留了大量的边缘信息;此外,为了实现梯度幅值和方向的增强计算,使用Sobel算法的卷积核对图像进行卷积;再用非极大值抑制法对边缘进行细化;最后采用Otsu算法进行自适应高低阈值的选取,完成边缘检测。实验结果表明,改进的边缘检测方法与传统方法相比,消除噪声更好,边缘更连续,图像质量更好,算法自适应性更高,有良好的改进效果。