面向牵引座焊缝表面质量检测的轻量型深度学习算法

针对人工和传统自动化算法检测牵引座焊缝表面存在检测精度低、速度低的问题,提出一种轻量型的牵引座焊缝表面质量检测算法YOLOv5s-G2CW。首先,用GhostBottleneckV2模块替换YOLOv5s中的C3模块以降低模型的参数量;其次,在YOLOv5s模型的Neck部分引入CBAM(Convolutional Block Attention Module),在通道和空间两个维度上融合焊缝特征;然后将YOLOv5s的定位损失函数改进为Wise-IoU以聚焦普通质量锚框的预测回归;最后移除YOLOv5s模型中用于大物体检测的13×13特征层以进一步降低模型的参数量。实验结果表明,与YOLOv5s模型相比,YOLOv5s-G2CW的模型大小减小了53.9%,帧率提高了8.0%,平均精度均值(mAP)提高了0.8个百分点,能够满足牵引座焊缝表面质量检测的准确性和实时性要求。

基于IB-SURF算法的无人机图像拼接技术研究

针对传统SURF算法(speeded up robust features)在拼接高分辨率无人机航拍图像时运行速度慢、特征匹配率低的特点,提出了一种基于IB-SURF(image block-SURF)技术的无人机图像拼接算法。结合无人机定位定姿系统(position and orientation system,POS)求取图像重叠区域;构造掩模在无人机图像重叠区域检测特征点,减少特征提取时间;借助图像分块(image block,IB)的思想对图像划分网格,精简筛选特征点;引入Neighborhood-KNN(neighborhood-K nearest neighbors)进行特征点匹配,提高图像匹配效率。实验结果表明,IB-SURF算法有较快的运行速度和较高的特征匹配率,平均特征匹配率达到84.3%,特征匹配正确率超过95.1%,为图像高质量拼接提供了技术基础。

基于Efficientnet的无人机车辆目标检测算法

针对无人机航拍图像中存在背景复杂,造成车辆漏检严重,检测精度低,以及现有深度网络存在参数量过多、检测速度慢的问题,提出一种基于Efficientnet的无人机车辆目标检测算法。引入轻量化网络Efficientnet作为YOLOv3模型特征提取网络,降低模型参数量,从而提高算法检测速度;采用K-means聚类算法对无人机车辆数据集真实框进行聚类,得到更为精确的边界框尺寸,提高检测的精度;使用CIoU边界框损失函数改进模型回归损失,提高模型收敛能力。实验结果表明,改进后的算法在自制无人机车辆数据集中mAP达到92.60%,FPS达到31.15,相对于原始算法分别提高了2.12个百分点和9.87,更加适用于无人机场景下的车辆检测任务。

融合PCA的改进ICP激光点云配准算法

针对迭代最近点(iterative nearest point,ICP)算法进行点云配准过程中需要输入较好的初值和收敛速度较慢的问题,提出了一种融合主成分分析(principal component analysis,PCA)的改进ICP配准算法。首先,基于PCA计算两组点云的主方向,得到两组点云的初始位姿变换;然后,利用主轴基向量的关系校正主轴方向,完成两组点云的大致配准。针对具有部分重叠区域的点云,粗配准后利用KD-tree算法搜索最近点。根据点云重叠部分,提出一种利用有效点对进行ICP迭代求解算法,利用有效点对中欧式距离较大的点对,完成精配准。通过在公开数据集Bunny和实测数据支座点云上的实验表明,改进算法能够为ICP算法提供较好初值,加速具有局部重叠度的点云配准,同时对配准精度也有较高的鲁棒性。