基于YOLO v5s和改进SORT算法的黑水虻幼虫计数方法

目前农业环境下的无序目标的精确计数有很高的应用需求,这种计数对其生物量、生物密度管理起到了重要的指导作用。如黑水虻幼虫目标追踪过程中,追踪对象具有高速和非线性的特征,常规算法存在追踪目标速度不足和丢失目标后的再识别困难等问题。针对以上问题,本文提出了一种改进SORT算法,通过改进卡尔曼滤波模型的方式提升目标追踪算法的快速性和准确性,提升了计数的精度。另外,针对黑水虻幼虫目标识别过程中幼虫性状的多样性和混料导致的复杂背景问题,本文通过实验对比多种深度学习网络性能选定YOLO v5s算法提取图像多维度特征,提升了目标识别精度。实验结果表明:在划线计数方面,本文提出的改进SORT算法与原模型相比,平均精度从91.36%提升到95.55%,提升4.19个百分点,通过仿真和实际应用,证明了本文模型的有效性;在目标识别方面,使用YOLO v5s模型在训练集上帧率为156 f/s,mAP@0.5为99.10%,精度为90.11%,召回率为99.22%,综合性能优于其他网络。

基于YOLOv5+Deep-SORT的运煤车辆目标检测与跟踪

煤的运输对山西煤矿资源的管理有着重要意义。本研究使用某洗煤厂的入口监控视频进行间隔帧的提取,选取mAP@0.5为0.957的YOLOv5算法对视频中运煤车辆进行目标检测,在此基础上使用Deep-SORT算法进行目标跟踪,并实现了运煤车辆的统计。系统的设计和实现解决了洗煤厂在运煤过程中煤丢失的问题。

视觉识别下分拣机器人目标稳准抓取系统设计

目标的不同规格在一定程度上影响了抓取效果,为此,设计视觉识别下的分拣机器人目标稳准抓取系统。构建以STM32F429单片为主机芯片的系统总体框架,优化采集影像、机械手臂、智能避障等模块。主机模块将采集影像模块摄像头采集的目标影像数据传送到机械手臂模块后,采用视觉识别方法定位目标,并计算质心和旋转角度获取抓取目标中心距。通过智能避障模块规划抓取路径,实现分拣机器人目标稳准抓取。实验结果表明,在不同距离、不同目标形状以及质量条件下,该方法可以在智能躲避障碍物的同时,稳准抓取目标。

激光雷达融合机器视觉的物流分拣多目标视频跟踪

为了实现物流分拣多目标精准跟踪,提出一种激光雷达融合机器视觉的物流分拣多目标视频跟踪方法。通过激光雷达采集检测环境内的点云数据,并对其滤波处理。将机器视觉采集的物流分拣视频去噪,采用Sobel边缘检测算子检测去噪后的图像边缘,引入分裂合并算法对去噪图像展开多区域分割处理,获取比较明显的多目标视频区域。利用透视变换原理对图像数据融合处理,实时确定目标位置,实现物流分拣多目标视频跟踪。经过实验测试证明,所提方法的物流分拣多目标视频跟踪结果准确率超过95%,且延误时间控制在13 ms以内。

智能垃圾分类拾捡机器人抓取目标定位方法

为准确定位抓取目标所处位置,提出基于深度学习的智能垃圾分类拾捡机器人抓取目标定位方法。定义深度学习算法的目标函数,并在此基础上,完成对抓取目标的检测。建立抓取目标尺度空间,并标定具体的机器人抓取对象,再根据抓取目标定位条件估算值,实现抓取目标定位。实验结果表明,所提方法应用可以有效控制抓取目标节点与定位节点之间的坐标差水平,能够准确定位抓取目标,具有突出的作用价值。

基于改进YOLO v8的行李追踪技术

在机场行李分拣场景下,传统多目标追踪算法存在目标ID切换率高和目标轨迹误报率高的问题。提出一种基于改进YOLO v8和ByteTrack算法的行李追踪技术。增加了CBAM模块,替换ADH解耦头以及改变训练时的损失函数,增加了检测精度,加强了目标特征的判别性,降低目标的ID切换率。在Byte数据关联中进行了GSI插值后处理,不仅利用了高分框和低分框,也使得长时间遮挡后的追踪效果得到保证,降低了因遮挡产生的ID错误切换。在机场行李分拣数据集上,MOTA和IDF1分别达到了89.9%和90.3%,有了较为明显的提升,能稳定地实现对行李箱ID的追踪。

基于深度学习的物流跟踪管理

利用先进的人工智能和计算机视觉技术,物流管理取得了重大进展。如何建立一套能够有效解决物体遮挡、运动模糊、目标相似等实际问题的检测技术,是一个重要的挑战。文章提出了一种基于YOLOv8和Deep-SORT的方法来跟踪货物位置。该系统可以有效地识别、定位、跟踪和计数镜头前的货物。称之为“warehouse management”,该算法基于示例跟踪范式,并将跟踪应用于检测对象的边界框。在此基础上,自动识别感兴趣区域(ROI),有效消除不需要物体。我们的F1的分数是0.816 7。

适用于无人机的自动跟踪算法的研究

入侵农田问题给试验田的安全保护带来了严重挑战,传统的保护手段存在诸多限制。为解决这一问题,将无人机技术和目标检测与跟踪算法相结合,提出一种创新的解决方案。该方法通过无人机高空航拍视角获取农田图像数据,并利用YOLO(You Only Look Once)算法实现实时目标检测。同时,采用SORT(Simple Online and Realtime Tracking)算法对入侵目标进行持续跟踪。通过在海南试验田中的应用实验验证该方法的可行性和有效性。实验结果表明,基于YOLO和SORT算法的无人机目标检测与跟踪系统能够在0.4 s内快速检测和跟踪入侵农田目标,为试验田的安全保护工作提供了重要支持。

基于人工蜂群算法的大规模武器目标分配研究

针对大规模武器目标分配问题,本文提出一种改进的多目标武器目标分配模型,该模型将武器平台泛化为武器,并将武器平均飞行时间作为第2个优化目标。为有效解决这类问题,本文还提出了改进的自适应离散多目标人工蜂群算法。该算法基于人工蜂群算法和非支配排序策略,引入了自适应算子操作数、重用蜜源探索信息的变异概率策略,并通过蜜源之间、蜜源与外部解集之间的交互以提高算法的收敛性,通过算子的随机选择保持种群多样性。最后通过不同规模武器目标分配的对比实验,证明了所提自适应算子操作数与重用蜜源探索次数的变异概率策略的有效性,并与MOABC、MOPSO、NSGA-II算法在反向世代距离、超体积、时间3个方面进行比较,本文算法能够在保证时效性的前提下得到质量更好的Pareto解集。

黄河上游茨哈峡至羊曲河段生态调度目标鱼类筛选

选择黄河上游茨哈峡至羊曲干支流河段内生态调度目标鱼类并明确其需求次序,可为生态调度方案的制订提供决策依据。采用2005-2006年、2011-2012年、2014-2017年、2022年茨哈峡至羊曲干支流河段渔获物调查结果,考虑不同鱼类繁殖活动对生态水文过程的需求以及数据可得性,选择反映鱼类生活史特征、地理分布特征、保护必要性、种质资源价值和资源量现状等信息的10个指标构建评价体系,采用聚类分析与非维度排序方法对茨哈峡至羊曲干支流河段分布的21种土著鱼类生态调度需求次序进行分组分析。结果显示,生态需求等级最高的有厚唇裸重唇鱼(Gymnodiptychus pachycheilus)、黄河高原鳅(Triplophysa pappenheimi)、黄河裸裂尻鱼(Schizopygopsis pylzovi)、拟鲇高原鳅(T. siluroides)、花斑裸鲤(Gymnocypris eckloni)、刺鮈(Acanthogobio guentheri)、骨唇黄河鱼(Chuanchia labiosa)、极边扁咽齿鱼(Platypharodon extremus)8种鱼,主要为适应缓流生境且均为砂砾产卵类型鱼类;根据评价体系综合结果分析,这8种鱼为茨哈峡至羊曲河段的主要生态调度目标鱼类,其他13种鱼作为该河段生态调度的兼顾对象。

基于深度学习的智能交通车流监测与预测研究

为了方便交通部门改善交通拥堵问题,使用旭日X3嵌入式开发板作为硬件平台,通过YOLOv8深度学习网络识别道路上通行的车辆及其车辆类型。使用开放神经网络交换(Open Neural Network Exchange, ONNX)格式可视化编辑工具去掉了模型的输出头,将网络中的激活函数由SiLU函数更换为ReLU函数,将模型输出由80个检测类别更改为4个检测类别,在Small版本中,使用非极大值抑制算法(Non-Maximum Suppression, NMS)将最合适的检测框筛选出来,然后用SORT(Simple Online and Realtime Tracking)多目标追踪算法和匹配算法将独立帧检测到的车辆关联起来,实现车辆自动计数。在服务器上配置好YOLOv8的训练环境,训练3个周期,测试模型的mAP指标为0.635,推理速度提升至20 fps左右,目标检测系统的计数精度达到98%,可以准确获取到路口的交通流数据,帮助改善交通拥堵问题。

基于自主算法的智能工厂低速无人物流车系统研究

自从大带宽集群无线通信的瓶颈被突破以来,车辆群、无人车辆等各种无人设备集群的应用也层出不穷。其中最引人瞩目的当属无人物流车集群控制系统在物流配送行业的应用。这套系统一经投入使用,就迸发出巨大的发展潜力,而他最独树一帜的特点当属其控制系统软件的核心部分-算法。本文就基于自主算法的智能工厂低速无人物流车系统进行简要分析和研究。

肺癌患者GASP-1、LCN2和TPX2的表达水平及其与TNM分期和预后的相关性分析

目的探究肺癌患者血清G蛋白偶联受体相关分选蛋白1(GASP-1)、脂质运载蛋白-2(LCN2)、Xklp2靶蛋白(TPX2)表达水平及其与TNM分期和预后的相关性。方法选取2019年4月至2022年5月在南部战区总医院接受诊疗的92例肺癌患者作为观察组,同期选取92例健康体检者作为对照组。采集所有研究对象的外周静脉血样,检测血清GASP-1、LCN2、TPX2表达水平。将观察组按预后情况分为预后良好组和预后不佳组,比较2组患者血清GASP-1、LCN2、TPX2表达水平。分析肺癌患者血清GASP-1、LCN2、TPX2表达水平与TNM分期和预后的相关性。结果观察组血清GASP-1、LCN2、TPX2表达水平高于对照组(P<0.05);观察组TNM分期为Ⅲ、Ⅳ期的肺癌患者血清GASP-1、LCN2、TPX2表达水平高于TNM分期为Ⅰ、Ⅱ期的肺癌患者(P<0.05),TNM分期为Ⅳ期的患者血清GASP-1、LCN2、TPX2表达水平均高于TNM分期为Ⅲ期的患者(P<0.05)。预后良好组血清GASP-1、LCN2、TPX2水平均低于预后不佳组(P<0.05);观察组治疗前血清GASP-1、LCN2、TPX2表达水平均与TNM分期呈正相关(P<0.05),治疗后血清GASP-1、LCN2、TPX2表达水平均与预后呈负相关(P<0.05)。结论血清GASP-1、LCN2、TPX2表达水平与肺癌患者的TNM分期相关,在对症治疗后检测上述血清指标,可在一定程度上反映患者预后情况,为临床提供参考。

基于NSGA-Ⅱ的工业机器人多目标点轨迹跟踪优化研究

针对工业机器人在轨迹跟踪中存在的建模误差与收敛性问题,提出一种基于非支配排序遗传算法Ⅱ(Non-dominatedSortingGeneticAlgorithmsⅡ,NSGA-Ⅱ)的工业机器人多目标点轨迹跟踪优化方法。首先,系统概述工业机器人多目标点跟踪控制系统的需求及挑战,详细分析工业机器人动力学模型。其次,研究工业机器人轨迹规划,提出基于三次多项式插值的轨迹规划模型。再次,提出基于NSGA-Ⅱ多目标优化算法的工业机器人轨迹跟踪控制优化方法。最后,通过仿真分析,验证该方法的有效性。结果表明,相较于传统的控制方法,该方法在多目标跟踪方面表现出更好的性能和精度,提高了工业机器人在生产线上的实际应用效果。

基于YOLOv5s-SDE的带式输送机煤矸目标检测

传统的煤矸图像检测方法需要人工提取图像特征,准确率不高,实用性不强。现有基于改进YOLO的煤矸目标检测方法在速度和精度方面有所提升,但仍不能很好地满足选煤厂带式输送机实时智能煤矸分选需求。针对该问题,在YOLOv5s模型基础上进行改进,构建了YOLOv5s-SDE模型,提出了基于YOLOv5s-SDE的带式输送机煤矸目标检测方法。YOLOv5s-SDE模型通过在主干网络中添加压缩和激励(SE)模块,以增强有用特征,抑制无用特征,改善小目标煤矸检测效果;利用深度可分离卷积替换普通卷积,以减少参数量和计算量;将边界框回归损失函数CIoU替换为EIoU,提高了模型的收敛速度和检测精度。消融实验结果表明:YOLOv5sSDE模型对煤矸图像的检测准确率达87.9%,平均精度均值(mAP)达92.5%,检测速度达59.9帧/s,可有效检测煤和矸石,满足实时检测需求;与YOLOv5s模型相比,YOLOv5s-SDE模型的准确率下降2.3%,mAP提升1.3%,参数量减少22.2%,计算量下降24.1%,检测速度提升6.4%。同类改进模型对比实验结果表明,YOLOv5s-STA与YOLOv5s-Ghost模型的检测精度明显偏低,YOLOv5s-SDE模型与YOLOv5s模型及YOLOv5s-CBAM模型的检测效果整体相近,但在运动模糊和低照度情况下,YOLOv5s-SDE模型整体检测效果更优。

基于改进PSO-SVM的生产线分拣机器人罐装食品识别方法

目的:解决现有食品生产线分拣机器人目标识别方法存在的准确率差和效率低等问题。方法:在对基于双目视觉食品分拣系统进行分析的基础上,提出了一种将改进的粒子群算法和支持向量机相结合用于食品分拣机器人的目标识别。通过改进粒子群算法寻优支持向量机参数,获得优化的支持向量机分类模型,对全局特征和局部特征分别进行分类器训练,动态分配特征权重系数,得到最佳识别率。通过试验分析所提方法的性能,验证其可行性。结果:与常规方法相比,所提方法在食品分拣机器人的目标识别中具有较高的识别精度和效率,准确率为99.50%,平均识别时间为0.048 s,满足机器人的分拣需要。结论:所提方法能有效识别罐装食品,提高了分拣机器人分拣准确率和效率。

融合云计算的桁架机器人柔性分拣结构控制

传统控制技术在计算分拣结构期望力矩时,忽略了对从动臂执行力矩的补偿,导致末端最大跟随误差、夹持力超调量较大。为此,针对桁架机器人柔性分拣结构,本研究融合云计算过程设计了新的自动化控制技术。在采集工件图像后定位其实际位置,从而确定抓取点。然后通过云计算获得分拣结构抬起高度等参数,根据抓取点和放置点位置规划分拣结构运动轨迹,并计算作用在主动臂、从动臂、动平台上的期望力矩。最后通过力矩前馈控制器执行力矩前馈补偿,驱动机器人柔性分拣结构完成运动轨迹。在实验中,改变分拣结构末端运动速度和负载,结果表明:该技术减小了分拣结构末端最大跟随误差和夹持力超调量,提高了工件位置跟踪精度和抓取稳定性,保证了机器人对速度变化和负载变化的自适应性。

改进蛙跳算法求解武器目标分配问题

针对武器目标分配问题,提出一种改进蛙跳算法来求解空间受限的武器目标分配。首先,基于武器目标分配原则建立多约束条件下武器目标分配模型,并将多目标优化问题转化为单目标优化问题;其次,采用基于非支配等级和拥挤度因子的精英选择策略改进初始种群的多样性和均匀度,提升算法最优解的质量;最后,通过合理的想定背景进行仿真计算,结果表明:该方法可有效平衡搜索时间和全局最优解质量,可作为编队防空作战时武器目标分配的一个不错选择,通过与SFLA算法和遗传算法进行比对分析,表明该算法相对SFLA算法求解的最优解质量高,相对遗传算法搜索效率高。

基于神经网络的难选夹层磷矿石预分选理论研究

针对传统的夹层磷矿石人工分选工艺繁琐复杂,智能化程度低,浪费大量人力物力,导致生产处理成本增加等问题,引入了图像处理神经网络,提出了一种基于YOLO-V5的目标检测方法进行分选。首先将主干网络替换为Mobilenet-V2网络,达到缩小模型体积的效果,后对Mobilenet-V2进行改进,引入SE模块,提高网络对有效信息的敏感度,以得到更多的特征信息,从而提高最终的检测精度;其次对模型的预测网络进行改进,将藕头检测方式替换为解耦头检测,并采用混合通道策略构建更高效的解耦,达到提升检测速度的目的。结果表明,YOLO-V5-RM2比YOLO-V5的模型参数量减少了41%,并且在不影响模型精度的情况下,检测速度提升了68.9%,利用该模型进行检测分类并对结果进行化验分析,I类矿石品位得到了较为明显的提升,能够满足磷矿石预分选需求,实现磷矿预富集的目的。

基于改进YOLOv7的毛虾捕捞渔船作业目标检测与计数方法

渔船捕捞信息量化是开展限额捕捞精细化管理的前提,为解决中国毛虾限额捕捞目标识别和信息统计量化问题,研究了在中国毛虾限额捕捞渔船上安装电子监控(electronic monitoring,EM)设备,并基于YOLOv7提出一种改进的目标检测算法(YOLOv7-MO)和目标计数算法(YOLOv7-MO-SORT)。YOLOv7-MO目标检测算法采用MobileOne作为主干网络,在输出端head部分加入C3模块,并完成剪枝操作;YOLOv7-MO-SORT目标计数算法将SORT(simple online and realtime tracking)算法中的Fast R-CNN替换为YOLOv7-MO,用于检测捕捞作业中抛出的锚和装有毛虾的筐。采用卡尔曼滤波和匈牙利匹配算法对检测到的目标进行跟踪预测,设置碰撞检测线、时间戳、阈值和计数器,实现对捕捞作业过程中渔获毛虾筐数和下网数量计数。结果表明:1)改进后的YOLOv7-MO在测试集上的平均检测精度、召回率、F1得分分别达到了97.3%,96.0%,96.6%,相比YOLOv7模型分别提升了2.0、1.1和1.5个百分点。2)改进后的YOLOv7-MO模型大小、参数量和浮点运算数分别为64.0 MB、32.6 M、39.7 G,相比YOLOv7模型分别缩小了10.2%、10.6%和61.6%。3)以YOLOv7-MO为检测器的SORT算法毛虾捕捞作业计数准确率在统计毛虾筐数和下网数量上分别达到80.0%和95.8%。YOLOv7-MO在提高检测精度的同时减轻了模型量级,提高了检测效率。结果表明,该研究能够为实现渔船捕捞作业信息记录自动化和智能化提供方法,为毛虾限额捕捞管理提供决策参考依据。