基于立体视觉和YOLO深度学习框架的焊缝识别与机器人路径规划算法

为了实现机器人焊接的免示教路径规划,结合深度学习与点云处理技术,开发了一种高效、稳定的焊缝智能识别算法.首先,采用ETH(Eye-to-hand)构型的工业级3D相机获取焊件周围的二维图像和3D点云模型,利用预先训练的YOLOv8目标检测模型识别焊件所在的ROI区域(region of interest,ROI),模型识别精度为99.5%,从而实现快速剔除背景点云,并基于RANSAC平面拟合、欧式聚类等点云处理算法,对ROI区域的三维点云进行焊缝空间位置的精细识别;最后根据手眼标定结果转化为机器人用户坐标系下的焊接轨迹.结果表明,文中所开发的算法可实现随机摆放的焊缝自动识别和焊接机器人路径规划,生成的轨迹与人工示教轨迹效果相当,偏差在0.5 mm以内.

基于YOLO和嵌入式系统的车流量检测

城市道路普遍存在机动车、非机动车、行人的人车混行路段,车辆目标的准确识别与统计成为视频方法检测混合交通流量的关键问题。本文提出了基于深度学习YOLO(You Only Look Once)的车流量检测算法。用YOLO v2检测道路上移动的目标,对检出目标中的车辆目标进行识别与筛选,设置感兴趣区域,在车辆目标经过感兴趣区域时计数,并用核相关滤波器跟踪车辆,避免车辆重复计数;在ARM上利用该算法实现了混合交通视频中的车流量检测。测试结果表明,该方法中车辆的检测、跟踪、计数结果良好,可应用于混合交通中的车流量检测。

基于视觉传感的热丝激光金属沉积熔滴—熔池多特征信息同步监测

为了提高热丝激光金属沉积(HW-LMD)过程中的质量稳定性和实现熔滴—熔池多特征信息的同步实时监测,采用基于高动态视觉相机结合YOLO v8深度学习神经网络的高精度实时监控方法,通过相机捕捉HW-LMD过程中的动态变化,并利用YOLO v8神经网络对过渡方式和熔池行为进行同步监测,首先判断沉积过程是否为稳定的液桥过渡,然后在液桥过渡模式下提取熔池尺寸的关键点信息.结果表明,YOLO v8神经网络在检测沉积过程过渡方式和熔池关键点信息方面具有高精确度,精确率分别达到了98.8%和99.9%,熔池宽度的平均误差为4.1%,且推理时间平均仅为12 ms/帧,满足了HWLMD过程实时监控的需求.

基于单目视觉的石化作业区外因明火感知与测量方法

针对目前石化作业区外因火灾监测方法大都没有火源定位功能的现状,提出基于单目视觉的外因明火感知与测量方法。首先改进YOLO v7深度学习网络的SiLU激活函数,并引入注意力机制CBAM,使感知网络获得更好的准确性、互适性;随后基于相机成像原理建立物距与像素、分辨率等因子的多元关系测量模型进行距离预测。实验表明:优化后的网络mAP_0.5值提升了2.2%,Precision值提升了5.0%,预测距离误差率绝对值小于3.1%。

基于双向特征融合的交通标志识别

为了进一步提高交通标志识别的检测精度,文章提出了一种改进的YOLO深度学习网络。其采用双向特征融合网络,引入较少的参数来实现更多的特征融合,并基于中国交通标志数据集计算瞄点框。通过与基准网络进行对比,结果显示,深度学习网络的检测性能更优,从而验证了改进网络的有效性。

化学水车间轮式智能巡检机器人涉水系统设计

传统的化学水车间巡检方式采用人工巡检,存在耗时费力、实时性差等缺点,鹤壁丰鹤发电有限责任公司化学水车间采用轮式智能巡检机器人实现化学水车间全天候、全方位、全自主智能巡检和监控,提高了企业的自动化和智能化水平。化学水车间要求巡检机器人具有一定的涉水能力,本文提出了采用YOLOv4深度学习的方法,对机器人采集的图像进行实时监测,识别是否积水和实时测量积水深度,并配置超声波测距仪和电极监测仪进行实时检测和保护。该方法科学合理、简单实用,具有一定的工程应用价值。

化水车间智能巡检机器人的开发及应用探析

传统的化水车间巡检方法以人工巡检为基础,但是这种方法存在耗时费力、实时性差等不足之处。化水车间要求对巡检机器人具有一定的涉水能力,所以,本文提出了使用YOLOv4深度学习的方法,来对机器人所采集到的图像进行实时监测,进而对是否存在积水进行判断,并实时测量积水的深度。并采用超声测距装置、电极监视器等,对系统进行实时的监测与保护。该方法科学、合理、简便,具有较高的工程应用价值。