基于点云数据的交通环境下单阶段三维目标检测方法

文中在CIA-SSD单阶段三维目标检测模型的基础上,将模型中空间语义特征融合方式进行改进,通过一种基于注意力机制的多通道融合模块对两特征进行融合,提出了单阶段检测方法TFAF-SSD(Two-Feature Attentional Fusion Single-Stage object Detector),该方法主要由流形稀疏卷积网络提取点云的稀疏特征后,再由空间语义卷积层分别提取检测对象的空间语义特征,对融合后的输出特征进行预测,最后通过检测头输出最终的检测框。同时,文中还运用了不同于以往方法的数据增强方法,增强了模型的泛化性能,达到了提升检测精度的效果。在KITTI 3D公开数据集上进行了验证,在测试集中汽车检测方面得到了中等检测难度AP值为83.77%的检测结果,相比CIA-SSD模型的80.28%,所提方法提升了3.49%。

医药智能制造生产线关键技术研究进展

医药工业是维系国民健康、关系到国计民生的重要产业,先进的制药装备是提高医药产品生产效率和质量的重要保障。医药智能制造生产线是由无菌化柔性配药机器人、无菌化灌装—转运—封口机器人、医药质量视觉检测机器人、无菌化分拣包装机器人、智能搬运机器人等多智能机器人组成的智能制药系统。本文对医药智能制造生产线的进展进行分析,分别从无菌配药到分拣包装工艺流程中的无菌化智能生产、医药质量检测、柔性抓取与智能搬运以及智能协同优化控制等关键技术进行论述,最后对其发展方向进行展望。

融合多尺度特征与全局上下文信息的X光违禁物品检测

目的X光图像违禁物品检测一直是安检领域的一个基础问题,安检违禁物品形式各异,尺度变化大,以及透视性导致大量物体堆放时出现重叠遮挡现象,传统图像处理模型很容易出现漏检误检,召回率低。针对以上问题,提出一种融合多尺度特征与全局上下文信息的特征增强融合网络(feature enhancement fusion network,FEFNet)用于X光违禁物品检测。方法首先针对特征主干网络darknet53,加入空间坐标的注意力机制,将位置信息嵌入到通道注意力中,分别沿两个空间方向聚合特征,增强特征提取器对违禁目标的特征提取能力,抑制背景噪声干扰。然后,将特征提取主干网络输出的特征编码为1维向量,利用自监督二阶融合获取特征空间像素相关性矩阵,进而获取完整的全局上下文信息,为视觉遮挡区域提供全局信息指导。针对违禁物品尺度不一的问题,提出多尺度特征金字塔融合模块,增加一层小感受野预测特征用于提高对小尺度违禁目标的检测能力。最后,通过融合全局上下文特征信息和局部多尺度细节特征解决违禁物品之间的视觉遮挡问题。结果在SIXRay-Lite(security inspection X-ray)数据集上进行训练和验证,并与SSD(single shot detection)、Faster R-CNN、RetinaNet、YOLOv5(you only look once)和ACMNet(asymmetrical convolution multi-view neural network)模型进行了对比实验。结果表明,本文模型在SIXray-Lite数据集上的mAP(mean average precision)达到85.64%,特征增强融合模块和多尺度特征金字塔融合模块较原有模型分别提升了6.73%和5.93%,总体检测精度较原有检测网络提升了11.24%。结论提出的特征增强融合检测模型能够更好地提取显著差异特征,降低背景噪声干扰,提高对多尺度以及小型违禁物品的检测能力。同时利用全局上下文特征信息和多尺度局部特征相结合,有效地缓解了违禁物品之间的视觉遮挡现象,在保证实时性的同时有效地提高了模型的整体检测精度。