改进Center-Net网络的自主喷涂机器人室内窗户检测

室内自主喷涂机器人可以实现室内墙面喷涂的自动化以此提升喷涂的效率,减少人力物力的投入。而基于计算机视觉的室内窗户检测算法则是该机器人的关键技术。对于室内窗户检测,由于环境光照、窗户形状和窗户透光属性的存在,传统方法无法得到较好的效果。针对此问题,设计一种基于深度学习的室内窗户检测算法。该算法主要对中心点网络(CenterNet)的特征提取网络进行修改,减少部分卷积操作,使用Ghost模块替换原始的卷积模块,降低特征冗余,并引入注意力机制,让网络尽可能表达重要信息。实验结果表明,改进的CenterNet在不损失网络精度的前提下,大幅度提高了网络的运算速度,使得该检测算法即使在机器人端的嵌入式系统上也可以达到实时检测的效果。

改进YOLOv5s的室内喷涂机器人的窗户检测算法

室内窗户检测对喷涂机器人实现自动化喷涂作业有着重要意义。现有的窗户检测模型受光照环境影响较大,且无法识别局部窗户图像,参数量多、计算量大,难以部署在算力有限的喷涂机器人上。针对以上问题,本文提出一种改进YOLOv5s网络的轻量级室内窗户检测算法,在YOLOv5s网络的基础上引入PP-LCNet和GhostNetv2两个轻量级网络,降低模型的参数量和计算量,提升模型的实时检测速度;再将基于Transformer编码的C3TR模块添加到主干网络,增强模型的特征提取能力,并使用SIoU损失函数加快网络的收敛速度,保留有利特征。实验结果表明,本文改进的算法相较于原算法参数量降低了77.7%,权重文件减小了75.7%,检测速度提高了77.8%,平均精度均值提升了2.9%。

基于室内点云地图的特征轮廓识别方法

针对用激光雷达构建室内点云地图时存在窗户等透明物体,导致激光雷达的线束透过窗户产生噪点影响地图精度等问题,提出一种适用于室内三维点云地图的墙面识别方法,并借助此方法进一步识别出窗户的位置,进而实现对窗外的噪点与集群点的去除。前者从三维点云地图中的各个点分布的密度来识别出墙面点;后者则通过墙面坐标定位到外墙及窗户位置,从而去除噪点和无效特征。实验在三个场景下的室内地图进行方法验证,结果表明,上述方法在墙面和窗户的提取中准确率均在95%以上,并可有效的去除窗外噪点。在特定场景下窗户提取的召回率可达到100%,上述方法可用于简单和较为复杂的室内环境中进行窗墙识别去噪,在特征繁多的室内也有不错的效果。