基于SwinS-YOLACT的番茄采摘机器人实时实例分割算法研究

在设施番茄种植环境中,果实重叠遮挡等情况会影响识别精度。因此,本文提出了一种基于YOLACT的实例分割模型,提高识别精度。首先,对果实重叠遮挡的类别进行细分并增加该类数据集,从而接近真实采摘场景,并在采摘决策中改善重叠遮挡对识别精度的影响;其次,采用Simple Cope-Paste数据增强方法提高了模型的泛化能力,降低了环境因素对实例分割效果的干扰;然后,在YOLACT基础上,引用多尺度特征提取技术克服了单一尺度特征提取的局限性,并降低了模型复杂度;最后,引入Swin Transformer中的Swin-S注意力机制,优化了模型对于番茄实例分割的细节特征提取效果。实验结果表明,本文模型能够一定程度上缓解分割结果中出现的漏检、误检问题,其目标检测平均精度为93.9%,相比于YOLACT、YOLO v8-x、Mask R-CNN、InstaBoost分别提升10.4、4.5、16.3、3.9个百分点;平均分割精度为80.6%,相比于上述模型分别提升4.8、1.5、7.3、4.3个百分点;推理速度为25.6 f/s。该模型综合性能有较强的鲁棒性,兼顾了精度与速度,可为番茄采摘机器人完成视觉任务提供参考。

基于视觉识别的成熟苹果识别及采摘定位系统

传统的成熟苹果识别采摘系统受到果实直径大影响,存在重叠遮挡问题,成熟苹果识别准确率低,采摘定位准确性不佳。为此,引入视觉识别技术有效解决以上问题。利用视觉识别方法提取成熟苹果图像局部纹理特征,构建深度学习架构;利用融合姿态果实识别方法实现苹果识别;设计采摘定位流程,通过控制柜、传感器以及单双目相机构建成熟苹果采摘定位系统,实现采摘定位。为验证所设计系统的有效性,设计对比实验。结果表明,与传统系统相比,该设计系统的重叠遮挡部分果实识别率均高于传统方法,能够有效解决重叠遮挡问题。

改进线性外推法预估器的手势跟踪

针对动态手势识别系统手势跟踪问题,提出了一种基于改进线性外推法预估器的手势跟踪算法.该算法用前两帧的平均位移作为未来帧的位移预测,提高了预测精度;采用5点直线拟合,根据拟合直线斜率判断目标遮挡和重叠状态下的运动方向,克服了由于手势目标质心变化引起的预测位置偏离实际目标的缺陷.实验结果表明:所提出的算法能准确稳定地跟踪手势目标,平均预测偏差缩小到3.374像素,并且能在手势被遮挡和手势重叠的情况下实现有效跟踪.

寰枢关节摄片与影像分析

目的:探讨颈部寰枢关节常规张口位X线摄片方法与影像对比分析。材料与方法:回顾分析我院2008年至2012年,颈部寰枢关节张口位X线摄片影像对比83例。结果:83例患者中,30例寰枢关节显示清晰,无骨质重叠遮挡,其中24例发现骨折,21例寰枢关节与上门齿及枕骨下缘完全重叠,18例寰枢关节与枕骨重叠,14例寰枢关节与上门齿重叠。结论:寰枢关节能否清晰显示不仅取决于标准的摄片体位,还取决于患者自身的生理解剖结构,两者缺一不可。