基于Anchor-free的机器人抓取检测方法

为了解决机器人抓取领域传统方法中目标建模和锚框回归导致的计算时间长、检测精度低的问题,提出了一种基于anchor-free的机器人抓取检测方法。所提出的方法可以直接在图像的每个像素处生成抓取姿势和抓取质量。该方法使用双模态特征编码分别从RGB图像和深度图像中提取特征,并使用混合注意力机制来减少特征冗余。在实验中,该方法在Cornell抓取数据集和Jacquard数据集上的准确率分别达到了98.8%和96.4%。单张图像检测速度可达23 ms/张,可满足机器人抓取未知物体的闭环需求。在Franka 7自由度机器人上进行验证,实现了97.3%的抓取成功率。

基于STM32嵌入式的智能终端售酒系统设计

近年来随着物联网与通信技术的发展,自动售货机变得随处可见,但是对于散装酒的无人自动售卖目前还没有较为成熟的方案。本文综合运用互联网、单片机以及无线通信等物联网技术设计了一种智能售酒系统,以STM32单片机为控制核心,与流量计模块、电子锁模块、电机模块和液位传感器模块等结合,完成对售酒的测量与控制。该系统通过SIM7600CE通信模块向后台服务器端进行数据交互,记录消费者每次的购买信息及售酒机设备等相关信息,还可实时监测售酒机酒量状态信息,并及时发送缺料预警信息通知商家补货。实验测试结果表明:所设计的售酒机终端能达到基本预定技术要求,系统整体运行稳定,出酒误差百分比能够控制在±2%以内,具有较大的实用价值。

一种AGV路径规划的融合改进A^(*)算法

针对传统的A^(*)算法路径规划出现的搜索效率低下、节点冗余且路径不平滑以及搜索路径无法保证最优等问题,提出了一种改进A^(*)算法与动态窗口法(DynamicWindow Approach,DWA)融合的实时路径规划算法。首先通过调整传统A^(*)算法启发式函数,安全扩展搜索领域,提高了路径规划的安全性和效率。其次通过垂距限制法剔除了扩展领域路径上的冗余节点并利用B曲线对路径进行优化,充分保障了自动导引车(Automated Guided Vehicle,AGV)路径的平滑性。最后将改进A^(*)算法去除冗余节点的关键点作为DWA算法的目标点,融合算法能为AGV作业规划出一条基于全局最优的平滑路径。通过Matlab仿真实验验证了改进后的A^(*)算法和融合算法能够有效地实现动态避障和路径优化功能,改进融合算法相较于文献算法分别从路径规划时间和路径长度等方面减少了5.96%和8.93%,并在动态环境中验证了动态避障能力。

基于YOLOv5s轻量化改进的LCD缺陷检测方法

针对目前LCD缺陷检测速度较慢、检测精度较低的现状,本文提出一种YOLOv5s轻量化改进模型来检测识别LCD所存在的缺陷情况。通过改进上采样CARAFE算子进行Nearest的替换,并修改其kencoder与kreassembly两项参数进行对比;同时,增加CBAM注意力机制,更加关注目标区域特征信息以提升模型召回率;最后进行轻量化设计替换C3为C3_Ghost,以达到参数量、运输量以及模型大小的减小。实验结果说明,改进YOLOv5s算法在原模型基础上,准确率P提高了2.1%,召回率R提高了5.4%,模型平均精度mAP达到88.8%,相对于改进前提高了2.1%,参数量和运算量分别减少了15.6%和20.9%,并且模型大小减少了14.6%。整体而言,改进后的算法模型更加轻量化,模型MB减小并且参数量以及运算量相对减少,因此方便对低算力硬件进行部署,同时也为LCD工厂智能检测技术提供一定技术参考。

位姿自适应卡尔曼滤波SLAM信标循迹的研究

实时定位和地图构建算法(SLAM)作为一种机器人定位并自主循迹行驶的重要方法,其位姿估计和关键点信标循迹的研究是一项核心问题。针对现有各类改进的SLAM算法在信标循迹的定位效率低、循迹精度差、总体耗时长等缺陷,提出了一种位姿自适应的卡尔曼滤波SLAM算法。针对SLAM系统的数学模型,建立了位姿自适应的基本描述方法,结合卡尔曼滤波对SLAM进行整体优化,消除了噪声干扰造成的系统偏差。通过计算机仿真实验研究,相对于Hybrid-SLAM、Fast-SLAM、EK-SLAM三种改进的SLAM算法,模拟机器人在不同随机采样点的位移偏差趋势角度更低,同时信标点定位总精度分别提升了0.219 m、0.236 m、0.437 m,平均角度偏差分别提升了2.14°、1.76°、1.18°,循迹时间分别提升了8.543 s、11.416 s、11.878 s。改进方法在关键点信标定位、路径规划和自动驾驶等方面的具有较好的应用价值。

基于YOLOv5的轻量化端到端手机检测方法

针对监控图像中手机尺寸较小、分辨率低且特征不明显等问题,给检测算法研究带来了困难。提出了一种改进的YOLOv5网络模型方法用来识别手机的使用。改进的检测算法引入轻量级网络GhostNet作为主干提取网络,将GhostConv模块、C3Ghost模块分别代替主干网络中的Conv基本卷积模块和C3模块,减小网络参数和复杂度;同时,将注意力机制CBAM引入到主干网络中,减少融合后冗余特征的影响,提取到目标区域中更加关键的特征信息;使用四尺度特征检测,在原算法基础上对应的增加检测层,用以提高更小目标的检测精度。实验结果表明,改进后的YOLOv5算法准确率达到95.7%,平均精度达到97.1%,比改进前训练的准确率和平均精度分别提升了2.5%和1.8%,运算量和参数量较改进前分别减少了14.3%和24.5%。改进的YOLOv5算法不仅具有轻量化优势,同时保证了准确率和平均精度。该方法为智能监测技术行业违规使用手机提供了理论依据和技术参考。

基于角度估计机械臂抓取系统目标检测算法

针对传统工业机械臂只能对固定位置的固定目标进行抓取的问题,在YOLOv5的基础上提出了一种基于角度估计的机械臂抓取系统目标检测算法——MAR-YOLOv5。首先,为了满足机械臂抓取过程中对目标物体角度信息的需求,在原算法的基础上添加了角度估计模块,通过环形平滑标签(Circular Smooth Label,CSL)角度分类法精准预测目标物体角度。然后,通过增加目标检测层提高对小目标物体的检测能力。最后,在特征提取C3模块中加入了卷积注意力机制(Convolutional Block Attention Module,CBAM),以增强在复杂环境中特征提取的效果。实验结果表明:本算法在自制的增减材制造数据集上的检测速度达到48 FPS,检测精度(m AP)为92.68%,与只添加角度估计模块的YOLOv5算法相比,m AP提高了4.19%。对于目标密集、遮挡等情况,本算法也可实时、准确地完成检测任务。

阴影条件下基于集体智慧的光伏系统最大功率跟踪

光伏阵列通常受局部阴影的影响,导致系统输出功率较低。这主要归咎于光伏阵列的功率-电压特性曲线在阴影条件下具有多个功率峰值,而常规最大功率跟踪算法易陷入局部最优。设计了一种新颖的MPPT算法,即基于动态领导的集体智慧。与传统启发式算法不同,该算法由多个子优化器组成,每个优化器同时进行全局寻优,并选择适应度函数最小(最优解)的子优化器作为其他子优化器的领导者进行后续引导。三种算例(恒定气候条件、时变气候条件和大型光伏电站)下的Matlab/Simulink仿真结果显示,所提算法与导纳增量控制法和其余五种经典的启发式算法相比,DLCI能在PSC下实现最快速与稳定的全局最大功率跟踪。最后,基于dSpace的硬件在环实验验证了所提算法的硬件实施可行性。

改进YOLOv3的安全帽佩戴检测方法

针对在智能监控中安全帽佩戴检测准确率低和检测速率慢的问题,提出一种基于改进YOLOv3(You Only Look Once)的安全帽佩戴检测算法YOLOv3-WH。在YOLOv3算法的基础上改进网络结构,增大输入图像的尺度,使用深度可分离卷积结构替换Darknet-53传统卷积,减少特征的丢失,缩减模型参数,提升检测速率;使用多尺度特征检测,增加浅层检测尺度,添加4倍上采样特征融合结构,提高安全帽佩戴检测准确率;优化K-Means聚类算法,获取安全帽佩戴检测的先验框(anchor box),按照预测尺度大小分配适合的anchor,提升模型训练和检测速率。实验结果表明YOLOv3-WH相比YOLOv3,每秒检测帧数(FPS)提高了64%,检测平均精确度(mAP)提高了6.5%,该算法在提升了安全帽佩戴检测速率的同时提升了检测的准确率,对安全帽佩戴检测具有一定的实用性。

改进SSD的安全帽佩戴检测方法

在施工的过程中,需要对人员安全帽佩戴情况进行快速准确地检测并及时预警,实现减少生命和财产的损失。但现有的安全帽佩戴检测算法存在检测速度慢、检测精准度不高等问题,为解决此类问题,提出了一种基于目标检测算法SSD(Single Shot Multi Box Detector)的改进安全帽佩戴快速检测算法。通过使用轻量型卷积神经网络Mobile Net V3-small替换SSD检测算法的卷积神经网络VGG-16,实现减少模型参数,提升检测速率的目的;同时使用特征金字塔网络结构将深层更抽象的特征与浅层更细节特征进行信息的融合,提升检测精确度;以自主制作安全帽数据集HWear的方式进行训练和测试实验,训练时利用数据增强技术提高模型的检测性能。实验结果表明,改进的SSD算法提升了人员安全帽佩戴检测速率,达到108 fps,同时相比于SSD算法平均精确率(mAP)提升了0.5%,具有一定的实践意义。

基于YOLO轻量化网络的交通标志检测算法

近年来无人驾驶系统日益成为学者和企业研究的热门领域,而交通标志检测在无人驾驶中扮演着非常重要的角色,它将为无人驾驶系统提供决策支持,但现有的检测算法无法做到精准、快速地检测。为此,提出了Deep-Yolov4-tiny检测算法,它以Yolo轻量化网络Yolov4-tiny为基础,将多个卷积层添加到原网络中,改进CSP Block的网络结构;添加多个1×1卷积层,以降低网络的运算量;增大输入图像的尺度,以提升其对小目标的检测能力;使用K-means聚类算法优化anchor box的尺寸;对第二个Yolo层进行改进,使其充分利用经过K-means聚类后的anchor值,以更加全面地覆盖数据集中实际目标的大小,进一步提升了模型的检测准确率。实验结果表明,相较于Yolov4-tiny算法,Deep-Yolov4-tiny算法在中国交通标志数据集CCTSDB上,各个类别的平均精确度(mAP)提高了33.16%,且检测速度也能够满足实时性需求,更加有利于应用在嵌入式设备和移动设备等设备当中,对于提高行车安全和推动无人驾驶技术的发展有着一定的现实意义。

一种优化LSTM神经网络模型的预测方法

针对股票收盘价预测精度不高的问题,提出了一种优化长短期记忆(LSTM)神经网络模型(P-Adam-LSTM)。在LSTM神经网络结构的基础上,将通过自适应矩估计算法自适应地调节学习率,提高准确度;利用Pearson相关系数选出最佳特征集并用于训练,改善误差率。将P-Adam-LSTM与LSTM、Adam-LSTM、P-LSTM模型进行纵向对比试验;将P-Adam-LSTM与RNN、CNN、BP模型进行横向对比试验;将Adam-LSTM与Adagrad-LSTM、RMSProp-LSTM、SGD-LSTM模型进行优化算法模型对比试验。训练数据为上证A股的中国国贸(600007.SH)十年间的股票特征,实验验证了P-Adam-LSTM对收盘价预测具有有效性。

改进YOLOv5金属表面缺陷检测方法

针对传统YOLO算法检测金属表面缺陷如斑块、开裂、划痕等性能差的问题,提出了一种改进YOLOv5算法的金属表面缺陷检测方法。首先增加3个小尺寸锚框以便更好地选中小目标缺陷位置;其次在骨骼网络中增加3个特征提取层,以解决对于细小缺陷算法无法检测到的情况。针对检测图片分辨率过大情况,在后续检测中借鉴了YOLT算法的方式,将检测图像分解为多个小图像进行检测,再将小图收回组合,计算检测物坐标相对值,集体进行非极大值抑制,减少检测锚框重合问题。基于改进的YOLOv5算法进行金属表面缺陷检测,结果表明:其召回率相较于改进前提高了10%~20%,平均精准度提高了15.40%,改进算法具有较好的检测性能。

数字金融对小微企业创新发展的影响研究——基于PKU-DFIIC和CMES

基于北京大学数字普惠金融指数(PKU-DFIIC)和中国小微企业调查数据(CMES),采用Probit模型和工具变量方法,从微观层面研究数字金融对小微企业创新发展的影响。研究表明,数字金融具有普惠性特征,数字金融的发展能够显著地促进小微企业的创新倾向。此外,数字金融服务的覆盖广度、使用深度、数字化程度的提升均有利于推动小微企业的创新发展。由此提出,在推动小微企业高质量发展过程中需要加强数字金融的顶层设计,完善数字金融的融资功能和风险转嫁功能。