基于YOLOv3的雾天道路目标检测

目前道路目标检测算法研究多基于正常天气,对雾天场景下道路目标检测研究较少,故提出一种基于YOLOv3的雾天道路目标检测算法。为提高检测设备在恶劣天气下对道路目标的检测能力和检测速度,利用改进后的金字塔池化结构构建去雾模块,并将其嵌入至YOLOv3目标检测网络中;引入通道注意力机制,提高DarkNet53的图像特征信息提取能力;增加一层检测层提高小目标物体检测能力,实现了一种去雾网络和检测网络联合优化的道路目标检测网络A-YOLOv3。利用大气散射模型和图像景深信息自制雾天道路数据集S-KITTI并将其用于实验验证,实验结果表明:通过改进优化使得模型检测精度从65.22%提升至72.5%。

基于Hough变换及卷积神经网络的工程图图线识别技术及应用研究

针对手绘工程图与设计自动化之间的矛盾、工程图图线语义较为丰富难以识别等问题,提出一种基于Hough变换及卷积神经网络的工程图图线识别技术。对扫描设备采集到的工程图预处理后,利用Hough变换检测工程图中直线,结合RANSAC(Random Sample Consensus)算法及最小二乘法进行直线拟合,检测出正确直线。根据曲线特征,使用形态学开闭运算及漫水填充算法检测并分离图像中的曲线。采用卷积神经网络对各工程图生成的图线ROI进行图线线型分类,其分类准确率达到98.96%。最后结合工程制图类课程试卷自动评阅需求,在图线识别算法的基础上添加坐标转换算法及曲线一致性判断,对30份试题答案进行自动评分。其评分结果与人工评分结果差距在10%以内,证明文章算法的可行性。

基于SolidWorks的参数化工程图自动调整技术

SolidWorks参数化设计时,随着模型参数的改变,工程图会出现视图位置偏移、尺寸和注解错位等不符合工程图规范的现象。根据参数化设计中工程图的变化特点,提出一种模板式工程图自动调整的方法。通过提取模板图纸中的特征信息,来对参数化驱动后生成的实例工程图进行调整。包括SolidWorks工程图模板制定、视图位置调整、视图比例调整、尺寸调整及注解位置调整。经实例验证,该方法正确可行,实现了工程图的自动调整,显著提高了设计效率。