无规则扰动状态下柑橘果实在线目标检测与快速定位

柑橘采摘机器人连续采摘过程中因各种因素会引起其他待采柑橘无规则扰动,扰动状态下的柑橘无法在线快速准确检测与定位,影响机器人采摘效率。针对此问题,该研究提出一种基于改进YOLOv5s+DeepSORT算法的扰动柑橘在线目标检测与快速定位方法。首先在YOLOv5骨干网络中融入卷积注意力机制(convolutional block attention module,CBAM),提升模型对复杂目标的检测能力;用SIoU(scalable intersection over union)损失函数增强预测框与标定框之间的方向匹配,提升回归收敛速度。其次在DeepSORT算法中改进目标重识别网络(re-identification,ReID),增强网络特征提取能力,提升目标跟踪准确度与精度;在算法中融入Count计数机制,实时反馈每个扰动柑橘跟踪帧数,并改进算法实现对预测坐标值进行实时更新,提升预测准确率。最后结合深度相机排除背景柑橘影响并限制每次跟踪目标数目为3个,提升扰动柑橘预测定位速度。试验结果表明,与原算法相比,改进YOLOv5s算法的准确度、平均检测精度分别提升3.9、1.1个百分点,检测速率69.3帧/s。改进DeepSORT算法的跟踪准确度、跟踪精度分别提升9.2、5.4个百分点,ID(identity)切换次数减少32次。当预测定位时间为3 s时,定位平均准确度为81.9%,在试验室进行模拟试验,将盆栽柑橘果实沿不同方位随机摆动,摆幅约10 cm,单个柑橘平均抓取时间为12.8 s,比未使用改进算法缩短5.6 s,效率提升30.4%。该研究可为扰动状态下的柑橘快速采摘提供技术支持。

融合少样本学习与注意力端到端网络的小目标在线检测研究

小目标检测是计算机视觉领域的研究方向之一,旨在解决在图像或视频中检测和定位尺寸较小的目标的问题。由于小目标往往具有低分辨率、模糊、被遮挡等特点,传统的目标检测算法在处理小目标时存在挑战。对此,提出一种融合少样本学习与注意力端到端网络的小目标检测方法。该方法通过引入图像增强技术和注意力机制,对传统的端到端检测网络进行优化,以提高检测性能。通过数据增强方式,对原始数据进行扩充,增加数据的多样性和数量;引入注意力机制,提取图像中的关键信息,以提升检测结果的准确性;最后,在网络结构方面,将原有的特征金字塔网络(FPN)替换为加权双向特征金字塔网络(BiFPN),以获取更丰富的图像特征。实验结果表明:通过图像增强和注意力机制,所提方法的精准率、召回率、平均精度均值和检测速度在训练尺度为640像素×640像素时分别为98.41%、99.54%、99.50%和28帧/s,相较于YOLOv5算法分别提升了2.91%、5.9%、1.93%和2帧/s,验证了该方法的有效性和可行性。

基于低秩表示动态更新投影的在线运动目标检测

视频图像中运动目标检测是机器视觉领域的重要研究内容,旨在将序列图像中的背景和前景进行有效分离。在研究几种典型运动目标检测算法的基础上,提出了一种基于低秩表示动态更新投影的在线运动目标检测算法。采用低秩表示方法对若干连续视频帧进行低秩分解,并将分解所获得的低秩部分对应的左奇异值矩阵的正交补引为投影矩阵;再构建投影模型,拟合出数据的稀疏前景;最后采用视频分段分析法则对投影矩阵进行动态更新,从而保证所分离的背景以及前景的有效性。在Curtain等多个视频数据库上与其他算法进行了对比实验,实验结果表明所提算法具有很好的检测效果,对复杂的运动前景和动态背景的处理表现出很强的鲁棒性。