在聚变装置真空检漏领域中,未来聚变装置涉氚运行,检漏人员无法进入装置检漏,这使得这项任务极其困难和耗时。为实现聚变装置泄漏设备的快速准确检测,本文以6自由度机械臂为研究对象,提出了一种GV2-YOLOv5的真空设备检测方法用于真空检...在聚变装置真空检漏领域中,未来聚变装置涉氚运行,检漏人员无法进入装置检漏,这使得这项任务极其困难和耗时。为实现聚变装置泄漏设备的快速准确检测,本文以6自由度机械臂为研究对象,提出了一种GV2-YOLOv5的真空设备检测方法用于真空检漏机器人对真空设备进行识别和定位喷氦。在该方法中,结合轻量级Ghost Net V2网络构建C3GhostV2模块,同时使用轻量的Ghost卷积提取目标特征,从而降低模型参数量,提高计算速度;在特征融合网络中添加Bottleneck Transformers和ECA注意力机制,提高网络特征提取能力以及加强模型通道特征。实验结果表明,在自制数据集上,改进后的模型平均精度为93.2%,相比YOLOv5s提高了1.4%,模型参数量减少了29.5%,检测速度为92 fps,满足实时性与准确性的需求,为真空检漏机器人目标识别与定位提供了一种的解决方案。展开更多
针对视觉同步定位与地图构建(Simultaneous Localization and Mapping,SLAM)方法在相机快速运动中容易导致图像模糊,以及在稠密场景中线特征提取易造成信息冗余等问题,提出一种融合梯度密度的点线视觉SLAM算法改进。该算法首先利用前后...针对视觉同步定位与地图构建(Simultaneous Localization and Mapping,SLAM)方法在相机快速运动中容易导致图像模糊,以及在稠密场景中线特征提取易造成信息冗余等问题,提出一种融合梯度密度的点线视觉SLAM算法改进。该算法首先利用前后图像帧之间特征点数量信息对模糊图像进行筛选,并使用高斯模糊进行优化处理,得到匹配效果更佳的图像帧。然后利用点特征信息判断是否引入线特征,并引入图像像素梯度密度对LSD(Line Segment Detection)线特征进行多维优化,提取出稳定线特征以提高后续匹配质量。最后结合点线特征误差构建误差函数,最小化投影误差提高位姿估计精度。算法在TUM数据集下进行测试,实验结果表明本算法可以有效提升特征提取的稳健性,进而提高相机位姿估计与建图的精度。展开更多
为使水果采摘机器人在复杂情况下如树叶遮挡、果实目标尺度变化大等情况能准确地检测出水果,提出一种YOLO(you only look once)改进模型与NMS(non-maximum suppression)改进算法的目标检测方法。首先,对传统YOLO深度卷积神经网络架构进...为使水果采摘机器人在复杂情况下如树叶遮挡、果实目标尺度变化大等情况能准确地检测出水果,提出一种YOLO(you only look once)改进模型与NMS(non-maximum suppression)改进算法的目标检测方法。首先,对传统YOLO深度卷积神经网络架构进行改进,设计一种更细化的SPP5(spatial pyramid pooling)特征融合网络模块,强化特征图多重感受野信息的融合,并基于此模块提出一种YOLOv4-SPP2-5模型,在标准YOLOv4网络中跨层添加并改进SPP层,重新分布池化核大小,增强感受野范围,从而降低目标误检率;其次,提出一种Greedy-Confluence的NMS改进算法,通过对高度接近的检测框直接抑制和对重叠检测框综合考虑距离交并比DIOU(distance-intersection over union)和加权接近度WP(weighted proximity)的方法,均衡NMS的计算消耗并减少检测框的错误抑制,从而提高遮挡、重叠物体的检测精度;最后,分别对改进方法进行性能测试,验证方法的可行性,随后制作水果检测数据集并进行格式转换和标签标注,然后采用数据增强技术对训练数据进行扩充,并使用K-means++聚类方法获取先验锚定框,在计算机上进行了水果检测实验。结果表明,基于改进YOLO网络及改进NMS的水果检测方法在准确率方面有显著的提高,平均精度均值(mean average precision,MAP)在YOLOv4上达到了96.65%,较原网络提升1.70%,并且实时性也得到了保证,在测试设备上达到了39.26帧/s。展开更多
文摘在聚变装置真空检漏领域中,未来聚变装置涉氚运行,检漏人员无法进入装置检漏,这使得这项任务极其困难和耗时。为实现聚变装置泄漏设备的快速准确检测,本文以6自由度机械臂为研究对象,提出了一种GV2-YOLOv5的真空设备检测方法用于真空检漏机器人对真空设备进行识别和定位喷氦。在该方法中,结合轻量级Ghost Net V2网络构建C3GhostV2模块,同时使用轻量的Ghost卷积提取目标特征,从而降低模型参数量,提高计算速度;在特征融合网络中添加Bottleneck Transformers和ECA注意力机制,提高网络特征提取能力以及加强模型通道特征。实验结果表明,在自制数据集上,改进后的模型平均精度为93.2%,相比YOLOv5s提高了1.4%,模型参数量减少了29.5%,检测速度为92 fps,满足实时性与准确性的需求,为真空检漏机器人目标识别与定位提供了一种的解决方案。
文摘为使水果采摘机器人在复杂情况下如树叶遮挡、果实目标尺度变化大等情况能准确地检测出水果,提出一种YOLO(you only look once)改进模型与NMS(non-maximum suppression)改进算法的目标检测方法。首先,对传统YOLO深度卷积神经网络架构进行改进,设计一种更细化的SPP5(spatial pyramid pooling)特征融合网络模块,强化特征图多重感受野信息的融合,并基于此模块提出一种YOLOv4-SPP2-5模型,在标准YOLOv4网络中跨层添加并改进SPP层,重新分布池化核大小,增强感受野范围,从而降低目标误检率;其次,提出一种Greedy-Confluence的NMS改进算法,通过对高度接近的检测框直接抑制和对重叠检测框综合考虑距离交并比DIOU(distance-intersection over union)和加权接近度WP(weighted proximity)的方法,均衡NMS的计算消耗并减少检测框的错误抑制,从而提高遮挡、重叠物体的检测精度;最后,分别对改进方法进行性能测试,验证方法的可行性,随后制作水果检测数据集并进行格式转换和标签标注,然后采用数据增强技术对训练数据进行扩充,并使用K-means++聚类方法获取先验锚定框,在计算机上进行了水果检测实验。结果表明,基于改进YOLO网络及改进NMS的水果检测方法在准确率方面有显著的提高,平均精度均值(mean average precision,MAP)在YOLOv4上达到了96.65%,较原网络提升1.70%,并且实时性也得到了保证,在测试设备上达到了39.26帧/s。