基于多尺度特征注意Yolact网络的堆叠工件分拣算法

针对非结构化场景中存在的多工件堆叠遮挡等问题,提出了基于多尺度特征注意Yolact网络的堆叠工件识别定位算法;所提算法首先在Yolact网络的掩码模板生成分支中加入多尺度融合与特征注意机制,提升网络预测堆叠工件掩码的质量,并设计了基于膨胀编码的目标检测模块,增强网络对不同尺度堆叠工件的适应能力,构建了多尺度特征注意Yolact网络;其次,利用构建的多尺度特征注意Yolact网络预测堆叠工件的掩码与边界框,并对堆叠工件掩码进行最小外接矩形生成,根据掩码边界框与掩码的最小外接矩形确定目标工件的抓取点与旋转角度;最后,基于堆叠工件识别定位算法研发了视觉机器人工件分拣系统;实验结果表明,所提模型在边界框回归、掩码预测两项任务上的识别精度均有提升,机器人工件分拣系统进行堆叠工件分拣作业的成功率达到97.5%。

探地雷达图像隧道衬砌病害智能识别与形态分割方法

探地雷达具有高效率、非破坏性、穿透性强和分辨率高等优点,使其成为隧道衬砌病害检测的主流方法.针对目前大多数深度学习网络只能检测出探地雷达图像中隧道衬砌病害的类型和位置,难以准确识别病害的轮廓的问题,本文提出了一种基于探地雷达图像的隧道衬砌智能病害分类与轮廓识别方法,首先构建了基于YOLACT(You Only Look At CoefficienTs)的病害轮廓及类型识别网络模型,然后结合裂缝、脱空、空洞等六类病害的介电常数模型采用时域有限差分法正演生成仿真探地雷达数据集进行模型训练,最后通过无水隧道衬砌病害和含水隧道衬砌病害的仿真数据以及隧道现场数据进行该方法的测试验证,通过模型分析和识别探地雷达B-Scan图像中的病害分类与轮廓.研究试验表明,表明本文方法在仿真数据中对裂缝、空洞、脱空、含水裂缝、含水空洞和含水脱空这六类典型隧道衬砌病害的类别和轮廓的识别结果较为准确,识别平均准确率达92.28%,同时该方法在现场试验真实探地雷达数据中也能够有效识别衬砌病害的轮廓,在实际工程中具有广泛应用前景.