基于Faster-RCNN的智能机器人自动抓取系统研究

为实现复杂场景、多模态目标物体的自适应定位、抓取,文章设计一种基于改进Faster-RCNN算法的智能机器人自动抓取系统。首先,以DSFPN算法改进Faster-RCNN的特征提取方法,通过低、高层次语义信息融合,改进小尺寸目标特征提取精度;并采用CDN通过可变形卷积的逐层叠加,提升复杂环境下多模态目标体检测精度,而后,引人NP层对训练进行自适应反馈调节,以控制候选区数量,优化目标检测的效率,由此,基于ROS机器人操作系统,利用Kinect相机获取目标物体的位姿,通过手眼标定数据完成目标物体位姿转换,实现自适应抓取。最后,通过对比实验,验证基于改进Faster-RCNN算法的抓取系统,目标检准率、检全率、综合检测率分别达到93.68、92.71%、93.06%,尤其对小尺寸目标的检测准确性更优,可满足多变环境下不同目标物体的抓取需求。

融合引导锚框算法的Faster-RCNN缺陷检测

针对传统零件表面缺陷检测方法准确性差效率低,无法满足智能制造需求的问题,提出基于Faster-RCNN深度学习算法的缺陷检测方法。在Faster-RCNN基本算法的基础上,引入引导锚框算法生成anchor方案,解决算法中anchor方案对本次检测的缺陷目标缺乏针对性、产生大量的冗余区域建议窗口的问题,以提高检测的准确性和效率;通过对比非极大值抑制中不同的IOU阈值对检测结果的影响,确定最优的IOU阈值,并设计零件缺陷样本采集方案,建立三种零件缺陷数据集,在此基础上对方法的有效性进行试验验证。实验结果表明,该方法能够大幅度提高零件表面缺陷检测的准确性和效率,各缺陷检测结果的平均精度可达97.7%以上,平均检测速度达到4.3 fps,满足了智能制造的急迫需求。

基于Faster-RCNN改进算法的纸张缺陷自动检测方法

纸张生产过程中经常出现破损、污渍、褶皱、杂质等质量问题,针对这些纸张缺陷检测采用图像处理的方式进行自动检测,提出一种改进的Faster-RCNN算法,来提升纸张缺陷检测效率.检测先是通过Faster-RCNN进行训练,获取缺陷图像后,再引入非局部均值算法进行降噪处理,之后对缺陷图像进行精准定位及分割.在这个过程中,为提高算法的效率与精度,对Faster-RCNN中的RPN和ROI进行了改进,并对非局部均值算法进行优化.实验表明,与现有的算法相比,本文提出的算法有效提升了检测的准确度和效率,特别是近似背景情境下的精准度.

面向小目标的多尺度Faster-RCNN检测算法

小目标是指图像中覆盖区域较小的一类目标.与常规目标相比,小目标信息量少,训练数据难以标记,这导致通用的目标检测方法对小目标的检测效果不好,而专门为小目标设计的检测方法往往复杂度过高或不具有通用性.在分析现有目标检测方法的基础上,提出了一种面向小目标的多尺度快速区域卷积神经网络(faster-regions with convolutional neural network, Faster-RCNN)检测算法.根据卷积神经网络的特性,修改了Faster-RCNN的网络结构,使网络可以同时使用低层和高层的特征进行多尺度目标检测,提升了以低层特征为主要检测依据的小目标检测任务的精度.同时,针对训练数据难以标记的问题,使用从搜索引擎上获取的数据来训练模型.因为这些训练数据与任务测试数据分布不同,又利用下采样和上采样的方法对目标高分辨率的训练图像进行转化,使训练图像和测试图像的特征分布更类似.实验结果表明:所提出的方法在小目标检测任务上的平均精度均值(mean average precision, mAP)可以比原始的Faster-RCNN提高约5%.

基于Faster RCNN与Mean-Shift的电缆附件缺陷红外图像自动诊断方法

红外热成像测温是及时发现电缆附件异常发热缺陷的重要方法,但面对海量巡检图像,传统的人工诊断方式费时费力,且过分依赖人工经验。已有研究中为了实现电气设备红外图像的智能诊断,大多提取特定特征量作为所搭建神经网络模型的输入,而所提取的特征量也依赖于人工选择。为此,提出了一种基于Faster RCNN(faster regions with convolutional neural networks features)与Mean-Shift的电缆附件缺陷红外图像自动诊断方法。该方法首先基于Faster RCNN网络实现诊断对象的识别定位;之后利用Mean-Shift聚类算法提取过热区域;最后计算温度参数,并根据相应诊断标准得到诊断结果。利用实际巡检图像进行测试,结果表明:所提方法能够在不同拍摄角度、不同背景下准确定位诊断目标与过热区域,继而实现过热缺陷的自动诊断。研究对于实际工程中电缆附件的缺陷诊断具有一定的参考价值。

一种基于Faster-RCNN的车辆实时检测改进算法

随着交通愈加发达,道路愈加拥堵,如何实时准确地获取车辆基本信息以便交通部门及时管理特定路段和路口的车辆显得日益重要.对交通视频中车辆的检测和识别,不仅需要实时检测,还要保证其准确性.针对实际情况中车辆之间的遮挡、光照的变化、阴影、道路旁树枝的晃动、背景中固定对象的移动等因素严重影响检测与识别的精度的问题,提出基于Faster-RCNN(Faster-Regions with CNN features)的车辆实时检测改进算法.首先采用k-means算法对KITTI数据集的目标框进行聚类,得到合适的长宽比,并增加一组尺度(64~2)以适应差异较大的车辆尺寸;然后改进区域提案网络,降低计算量,优化网络结构;最后在训练阶段采用多尺度策略,降低漏检率,提高精确率.实验结果表明:改进后的车辆检测算法的mAP(mean Average Precision)达到了82.20%,检测速率为每张照片耗时0.03875 s,基本能够满足车辆实时检测的需求.

基于Faster-RCNN的自然环境下苹果识别

针对苹果园中存在的果实相互重叠、枝叶干扰以及复杂背景等问题,本文提出Faster-RCNN一种改进的模型。该模型通过增强Mosaic数据,使得识别小物体目标果实能力得到提升,同时,对Faster-RCNN结构中的锚框进行优化,优化后的锚框能更好地检测出距离相机较远的目标果实,以及使用Soft NMS算法对密集区域的识别效果进一步得到改进。通过对300幅未参与识别的自然环境下的苹果图像进行验证,验证结果表明:召回率为91.44%,准确率为93.35%,F1值为92.38%,每幅图像的检测可在0.2 s内完成。改进后的算法鲁棒性得到增强,能够满足在自然环境下对苹果果实的识别工作。

基于改进的Faster RCNN的Logo检测分析

针对因抽象特征提取困难、速度慢而导致的Logo检测耗时长、准确率低的问题,提出一种改进的Faster RCNN的Logo检测方法。采用分水岭算法对图像进行预处理,采用多尺度锚框生成方法生成锚框,用非极大值抑制方法对重叠的候选框进行筛选。实验结果表明,与传统Faster RCNN方法相比,该方法提高了Logo检测的准确性和鲁棒性。

深度学习改进FasterRCNN算法皮革材料缺陷机器视觉检测研究

FastRCNN或FasterRCNN算法常用于对皮革材料表面缺陷进行检测,但其存在检测精度不高、准确率一般等问题。本文以深度学习改进传统算法得到改进Faster RCNN算法,并将改进后的算法用于皮革材料缺陷机器视觉检测工艺中,通过原图位置坐标改进、池化层算法设计及卷积神经网络特征提取等步骤实现了皮革材料缺陷机器视觉检测的优化。

基于Faster-RCNN改进的目标检测算法

以Faster-RCNN目标检测算法为基础,用(1×3+3×1+3×3)非对称卷积块替代Faster-RCNN网络模型的3×3卷积核,提出一种基于Faster-RCNN的改进目标检测算法。首先,将残差网络ResNet作为算法骨干,用于提取图像的特征图(Feature map),将Feature map先通过(1×3+3×1+3×3)的卷积核块之后经过两个1×1的卷积核。其次,利用区域建议网络(Regional proposal network,RPN)获得共享特征层的建议框,把建议框映射到卷积的最后一层Feature map上,通过感兴趣区域池化层(Region of interest,RoI)将不同尺寸的锚框进行归一化。最后,利用探测分类概率(Softmax loss)和探测边框回归(Smooth L1 loss)进行训练。本文使用的是PASCAL_VOC数据集,平均查确率(Mean average precision,mAP)结果表明,相比于原始Faster-RCNN算法,mAP值提高了0.38%,相比于RetinaNet算法,mAP值提高了2.68%,相比于YOLOv4算法,mAP值提高了3.41%。

基于改进的Faster-RCNN的人群密度预警方法

本文提出了一种改进的基于Faster-RCNN的人群密度预警方法。通过引入软非极大值抑制算法,对Faster-RCNN进行了优化,显著提升了对密集人群的检测能力。经过改进的算法在测试集上的平均绝对误差和均方误差分别降低至3.4和9.8,表现出色。该方法不仅可用于行人检测,还能实时生成人群密度热力图,并根据平均密度分级划分拥挤程度。

一种改进Faster RCNN的工件检测算法

针对在工业自动化生产过程中,光线不佳,工件尺寸较小等外在因素导致的多种工件检测精度不高以及特征提取困难的问题,提出一种改进更快速区域卷积网络(faster region with convolution neural networks,Faster RCNN)的工件检测算法。在原有网络基础上,结合自动色彩均衡算法增加图像预处理模块,改善光照不均匀问题,获得高质量图像。此外,通过增加锚点个数并修改其尺寸优化网络模型,提高网络的拟合能力。实验结果表明,该算法对多种工件的平均检测精度提高了3.6%,符合工业自动化场景要求。

基于Faster-RCNN的昆虫小目标检测研究

小目标检测算法通常难以达到理想的检测精度.为此,在分析常规算法基础之上对Faster-RCNN算法网络结构进行修改,得到了面向小目标的多尺度区域神经网络检测算法,该方法是利用高层特征和低层特征相互弥补的方法提升小目标的检测精度.实验结果表明,通过利用高层特征和低层特征有针对性地对图像进行信息提取,能有效提高小目标检测的准确度.

基于多算法融合的破损陶瓷绝缘子图像识别与检测方法

为了提高输电线路安全稳定运行,在传统检测绝缘子缺陷的基础上,提出一种多算法融合的破损陶瓷绝缘子检测方法。基于FASTER-RCNN算法,将拍摄到的绝缘子图像进行训练,得到绝缘子串具体位置,并改进SBGFRLS(线性自适应滤波)算法,实现对瓷绝缘子破损的精确识别。首先利用FASTER-RCNN算法,选择Faster R-CNN网格作为检测器,识别出利用无人机拍摄得到的图像中的绝缘子串所在位置;然后,利用SVM(支持向量机)算法对绝缘子图像进行粗分割,得到粗分割后的绝缘子缺陷识别图,再在粗分割的基础上,运用改进的SBGFRLS算法对图像中的绝缘子进行精确识别,得到破损绝缘子定位图。实验结果表明,得到的绝缘子破损识别图可以验证该改进算法的可行性和有效性。

融合图像识别和VFH+的无人艇局部路径规划方法

针对水面无人艇在复杂海况下的局部避障问题,文中引入深度学习方法来处理视觉信息,提出了结合VFH+算法的水面无人艇的局部路径规划方法.首先利用对称的编码器-解码器结构的图像语义分割模型和FasterRCNN网络模型进行水面边界线检测及水面障碍物识别,构建水面无人艇环境模型;然后采用基于VFH+的局部路径规划方法,通过逐步构建主直方图、二元直方图和掩模直方图压缩环境数据,引入合理的代价函数来获取实现水面无人艇的有效避障方向规划.在MODD图像数据集上的仿真实验以及实船避障实验结果表明,该方法能有效地提取水面图像信息,并得到合理的局部路径规划策略,在10kn航速下的避障轨迹平滑,可满足水面无人艇的自主避障需求.

基于深度学习的垃圾分类检测方法

针对现有垃圾分类不清、人工检测难度大、环境差、容易出错等情况,研究了基于深度学习的垃圾分类检测方法。分别提出了基于YOLOv3、RetinaNet和Faster RCNN的垃圾分类识别方法,制作了所用的数据集(训练集和测试集)。搭建了基于三种方法的垃圾分类识别的实验平台,并设计了实验,使用制作好的垃圾训练集进行多次不同参数下的训练,在不同分类的垃圾测试集上进行多次测试。对训练过程和测试结果进行综合分析和比较,得到Faster RCNN算法有更高的可靠性和准确性,检测速度满足系统要求,RetinaNet算法效果较好,YOLOv3算法效果最弱。因此采用基于Faster RCNN的垃圾分类识别算法,很好地满足了垃圾异物识别模型的开发,实现了垃圾分类检测,且有效降低了人工成本,提高了干湿垃圾分类检测效率,从而降低了垃圾对环境的污染。

基于机器人视觉系统的物体检测技术探究

机器人视觉系统的物体检测,是指依托人工智能深度学习技术、卷积神经网络模型,对某一图像内的目标特征点、边缘稳定的极值点等作出检测,预测图像像素点在立体空间中的具体位置、物体尺度特征。而原有的AlexNet分类检测模型、RCNN位置框定模型、Fast RCNN卷积训练模型,对空间物体的视觉图像检测来说,存在着结构复杂、检测时间长等缺点。基于此,在卷积主干网络、区域网络背景下,可利用Faster RCNN算法模型、特征点描述检测子,对框定区域的物体图像信息、公开数据集进行筛选、模型训练等检测,以增强固定视觉网络下物体检测的实时性,提高检测质量。

基于迁移学习的航拍图像车辆目标检测方法研究

为有效识别航拍图片中的车辆目标,将迁移学习应用到Faster-RCNN算法模型训练中:将大规模数据集训练好的网络用于模型参数初始化,以减少训练时间并提高识别精度;针对ZF和VGG-16 2种经典网络模型,分别选取不同超参数进行了多组对比实验,以选取最优超参数,并对比分析2种模型的检测效果。实验结果表明,该种方法可以在航拍图片集中有效检测到车辆目标,检测结果优于传统的机器学习方法,同时具有识别速度快的特点,可用于实时检测,在军事侦察及交通管控等方面具有应用价值。

铁路客运站客流监测系统设计及关键技术研究

客流分布对铁路客运站的生产指挥意义重大,提出一种客运站客流监测系统,并对旅客目标检测技术、拥挤度评价方法进行研究。分析客运站客流监测的现状和需求,设计客运站客流监测系统的技术架构、网络架构和主要功能;阐述Faster-RCNN算法原理,基于Faster-RCNN算法设计车站旅客人数检测模型,并采集车站现场数据制作数据集用于模型训练,制作行人数据集、人头数据集、头肩数据集,分析比较3种数据集训练的模型检测效果。实验结果表明:人头数据集和头肩数据集训练的模型检测准确率较高,对排队人数统计的准确率分别为95.5%和95.2%,满足现场运用需求。在分析客流密度和排队长度检测的基础上,对局部拥挤度指标和整体拥挤度指标进行量化分析,给出了车站拥挤度的评价方法。

基于RGB与深度信息融合的管片抓取位置测量方法

针对管片拼装机在管片抓取阶段依赖人工的问题,提出用于自动化拼装的管片螺栓抓取阶段的位置测量方法.该方案通过SIFT算法匹配管片螺栓,利用Faster-Rcnn算法,筛选出位于工作区的待抓取的管片螺栓.通过添加注意力机制改变特征提取网络结构,使其在0.8的交并比下保持约94%的准确率并排除其他管片螺栓的识别干扰.在识别到目标管片螺栓后,结合深度相机的信息获取完整的三维坐标,使得抓取设备位于抓取位置时测量的管片螺栓位置各轴的误差均不超过3 mm,满足机械式抓取装置对抓取的精度要求.直接对管片螺栓进行识别,无须考虑管片在工作区摆放位置的不确定性造成的误差,避免了使用靶标进行测量时靶标与管片之间的相对位置误差及设置靶标的人力与时间成本.