基于VGG19卷积神经网络的图像拼接质量评价算法

针对图像拼接质量评价算法多数存在没有分析拼接前后图像的综合图像像素信息和结构信息的问题,本文提出了一种基于VGG19深度卷积神经网络的图像拼接质量评价方法。采用VGG19网络,提取拼接图像和原图像的卷积特征,分别计算2个图像特征图的Gram矩阵,并以2个Gram矩阵的差异作为评价图像拼接质量的指标。同时,为了验证图像拼接质量评价算法的可行性,选取同一场景下的5幅图像进行实验测试。测试结果表明,L s函数值越小,图像的拼接效果越好;而随着L s函数值的增大,图像的拼接效果逐渐变差。说明该算法的评价结果符合人眼的主观评价,能够有效评价图像的拼接质量,可以作为评价同一场景下图像拼接效果的有效指标。该研究有效解决了双目视觉下自动导向车(automated guided vehicle,AGV)在2个摄像头图像拼接处的质量评价问题,具有一定的创新性。

基于全局视觉的车间AGV手势调度系统设计

针对传统的自动导引运输车(automated guided vehicle,AGV)调度方式在半自动生产车间不能满足当前实际生产需求等问题,本文以YOLOv5m为目标检测算法,基于全局视觉构建环境电子地图与路径规划,建立一种基于全局视觉的实时AGV手势调度系统。该系统在全局视觉下通过实时检测工作人员的手势,将手势信息传达给系统信息处理模块,经过解释器处理后,根据不同的手势向AGV发送相应的命令。同时,为验证目标检测的准确率,在全局视觉环境下,基于YOLOv5算法和PyTorch,建立深度学习框架训练目标检测模型,并进行实验验证。实验结果表明,AGV的识别准确率为99.9%,手势的识别准确率为99.7%,且二者检测的置信度均处于0.91~0.99之间,说明模型的检测速度符合实际要求。该系统节省了人力,提高了AGV调度效率,功能和实时性均满足车间实际生产需求,具备良好的稳定性。该研究实现了车间AGV的智能化手势调度,具有一定的实际应用价值。

基于YOLOv5的服装熨烫目标检测算法研究

针对服装熨烫行业中熨烫目标分类模糊、人工方式导致检测不准确且效率低的问题,本文将YOLOv5算法运用到服装行业熨烫目标检测中,将常见的熨烫目标分为裤兜、缝线及褶皱,建立对应的数据集并标注。同时,通过数据集训练YOLOv5算法模型,对模型进行评价和测试,得到模型准确率达98%,召回率达97%,平均精度均值达95%。同时,选择200张熨烫目标图像,对模型进行测试实验。实验结果表明,该模型对裤兜、缝线和褶皱的识别率分别为100%,96%和95%,检测置信度为0.82~0.97,检测效果较好,满足实验要求,实现了常见服装熨烫目标的识别、分类及定位。该研究提升了服装熨烫行业的生产效率。

基于视觉导航AGV的定位算法及系统设计

针对自动导引车(AGV)在工业自动化运输中定位速度慢,自动化效率低的问题,将全局视觉运用到车间物流的AGV定位导航中,提出一种基于深度学习的目标检测及定位方法。采用YOLO算法检测关键帧,通过ORB特征点与卡尔曼滤波结合的方式定位非关键帧,采用巴氏系数判断定位结果的准确性。相较于原有的YOLO定位算法,该算法在满足AGV定位精度要求的情况下,有效提高YOLO定位速度,提升车间自动化效率。

基于移动目标检测和目标追踪的全局视觉AGV的定位算法

针对目前全局视觉定位算法无法对外形变化较大的自动导引运输车(Automated Guided Vehicle,AGV)进行定位的问题,提出了一种基于移动目标检测和目标追踪的定位方式。选用基于高斯混合模型的背景建模法进行移动AGV检测,当初始选择框太大时采用显著性目标检测方式进一步提高精度,将移动目标检测与目标追踪相结合完成了AGV的定位。实验结果表明,本文设计的定位算法满足实际定位需求,可应用于车间物流AGV。

融合MOG2算法与FT算法的移动目标检测方法

针对移动目标检测方法存在的受背景环境影响而导致检测结果不准确的问题,本文提出一种融合高斯混合模型的背景减除法。算法与频率调谐显著性区域检测(frequency-tuned,FT)算法的移动目标检测方法。该研究以摄像头拍摄到的遥控车行走视频为分析材料,在降采样图像上用MOG2算法检测移动目标,经二值化和滤波去噪后框选移动目标感兴趣区域,采用FT算法检测此感兴趣区域,并利用置信度结合两次检测结果完成移动目标检测。实验结果显示,在置信度分别为α=0.6,β=0.4时,本文检测方法将检测300帧图像时平均交并比由0.72提高到0.78,说明该算法可以消除背景阴影及鬼影影响,从而有效提高移动目标的检测精度。