为解决传统视频监控系统中异常行为检测与识别方法存在检测效率低、工作时间长的问题,提出了一种新的视频监控系统中异常行为检测与识别方法。该方法首先通过视频图像噪声过滤、图像灰度矫正、二值化处理、图像边缘检测4个步骤,完成图像预处理;然后在明确图像异常目标特征的基础上,对运动异常目标图像的关键帧进行检测与数据解剖,完成视频监控系统异常行为检测;最后通过自适应算法对视频图像规律加以分析,利用计算机的视觉检测随场景环境变化原理,识别视频监控系统的异常行为。为检测方法效果,设置了对比实验,实验结果表明,新方法能够在短时间内精准地检测出异常行为,工作能力强。

针对在传统的道路目标识别中,需要进行手工提取特征,模型的泛化能力差.使用深度学习的技术,提出了使用深度卷积神经网络(SSD)解决道路目标问题.该方法首先对图像特征进行自动提取,在基础网络后添加不同尺寸的特征图,然后对多尺寸的特征图做卷积滤波,得到目标坐标值和目标的类别.实验中,在SSD模型中增加了特征图的检测层数,增大原图像尺寸,调试相应的参数,经过多次迭代,最终得到目标模型.实验采用行车记录仪采集的图像,在图像中标定出车辆、行人和骑行的人三类,实验表明,检测目标尺寸越小,检测难度越大,检测效果越差,SSD模型对目标检测的平均准确率均值提高了0.082.提出的道路目标检测方法与传统目标识别算法相比,省去了手工特征提取,减少了工作量,提高了模型的泛化能力.

针对目前垃圾资源化利用的问题,为提升垃圾分拣工作的速率,并减少人工成本,通过对目标检测算法SSD(Sin?gle Shot Multibox Detector)的研究与分析,提出了基于改进的SSD垃圾分类算法,对基础特征提取网络VGG16参数量大、检测性能低等问题,使用DenseNet的网络结构,加深网络层数,并使用通道叠加的方式加强信息传递,从特征复用的角度上加强网络性能;对原网络对于小目标检测能力弱的问题,利用FPN结构加强特征图中包含的语义信息,提高对小目标的检测能力;对原损失函数在模型评估时的不等价情况,引入GIoU损失提高定位精度。这里的算法在PASCAL VOC数据集与自己制作的生活垃圾检测数据集上测试,其中在PASCAL VOC数据集上的检测结果显示,这里的算法相比于SSD300和SSD512分别有1.7%和1.9%的提升;在生活垃圾检测数据集上,分别有2.1%和3%的提升。

为了避免机动车交通事故的发生,提出了一种部署在机动车终端的目标检测算法YOLO-DS,针对驾驶员视线遮挡区域实现实时目标检测。以YOLOV3作为基础算法,基于视觉盲区的动态视觉角度,改进算法的主干网络,通过密集连接增强网络层间的特征复用能力;同时利用空间金字塔的优势,融入多尺度下的特征向量,加强算法的多尺度特征融合,改善检测精度;调整损失函数,通过惩罚因子调整压缩网络模型,提高运算响应,降低算法对车载硬件设备的要求。通过实验验证,优化后算法能获得更好的AP(Average Precision)及mAP(mean Average Precision)等检测值,在15米内近距离目标的检测精度比YOLOV3、SSD等算法高出3%以上,在CPU下的Inference Time缩小了约10%。

针对曲面玻璃表面缺陷成像难、识别准确率低等问题,提出一种基于YOLOv4的曲面玻璃表面缺陷检测方法。根据光源的方向确定平面与曲面的光学特性,采用明场背面漫射照明的方式来获得图像信息,确立打光方案后获取不同表面的缺陷图片。使用改进K-means聚类算法,采用交并比函数确定锚框的量度,解决原锚框大小不适用于玻璃缺陷小目标检测问题。将所提方法与缺陷检测主流算法对比验证。结果表明:所提改进的YOLOv4方法均值平均精度(mAP)可以达到80.14%,与Faster RCNN以及YOLOv3算法相比,mAP分别提升了8.29%和16.11%,并且有更好的鲁棒性和检测效果。

为了提高工业生产中视觉控制机械臂抓取工业零件的精度和速度,提出一种新的识别工业零件类别和最佳抓取位置的检测算法。运用YOLOv5l目标检测算法对视界中的多种工业零件进行识别,随后将其识别图片传入抓取位置检测算法进行最佳抓取位置的识别。针对抓取位置检测的问题,提出一种改进的神经网络模型,在GG-CNN网络的基础上添加四层残差网络做平层特征提取,增强特征提取的效果。实验结果表明:此算法的识别准确率在95%以上,抓取成功率在90%左右,验证了该算法在多种工业零件和最佳抓取位置识别中具有高准确性和时效性。

针对复杂工业场景下安全帽佩戴检测存在检测精度低、误检率和漏检率高以及检测速度慢等问题,提出一种改进YOLOv3的识别精度高、检测速度快的安全帽佩戴检测算法。对传统YOLOv3主干网络进行裁剪改进,使检测速度得到明显提升;引入空间金字塔池化模块使局部特征和全局特征更有效地融合;将损失函数改进为CIoU以提升目标预测框与真实目标框的拟合效果;扩充第四特征融合尺度用于小目标检测以提高小目标的识别精度。结果表明:在复杂工业环境下,改进后的YOLOv3安全帽佩戴检测的平均检测精度提高了2.37%,且检测速度提升了2.7倍,同时降低了安全帽佩戴检测的漏检率以及误检率。

以五自由度机械臂为研究对象,建立D-H数学模型,探究几何法与代数法求关节角的过程,使用五次多项式插值的运动轨迹规划算法。通过建立仿真模型验证了运动学求解方法与轨迹规划算法的有效性。采用一种基于机械臂几何模型的逆运动学分析方法,设计OpenMV摄像头的图像识别与处理算法来精准定位目标物,并将目标物的位姿发送给主控系统,实现五自由度机械臂自主抓取目标物的功能。以乒乓球为抓取目标进行实验验证,结果表明:此设计能精准定位目标物,完成有效抓取,控制性能稳定、可靠。

目前对于形状比较复杂且密集摆放的工件,传统的工业机器人视觉分拣技术已经无法有效检测和识别。因此,为了提高生产线上分拣工件检测的准确率,提出了一种基于布谷鸟搜索算法(Cuckoo Search,CS)优化深度学习卷积神经网络(Convolutional Neural Network,CNN)的目标检测算法。首先对视觉分拣系统的组成进行了分析。然后采用经典的Faster R-CNN的模型结构来实现目标检测,并将CS优化算法应用到CNN模型的参数训练中,解决了反向传播的局部最优问题,同时提高了迭代速度。工件检测实验结果表明:相比于传统的CNN模型,提出CS-CNN模型具有更好的目标检测的准确率,提高了网络的收敛速度。

为提高机械手臂夹取物件的准确率,提出基于深度学习法的3D视觉辨识与抓取系统。该视觉系统结合GPU和深度影像Open CV等函数库,分别进行影像拾取、深度数据运算、坐标转换、影像轮廓搜寻和卷积类神经网络模型训练等。采用YOLOv2算法判别目标物体的种类和中心点,并利用轮廓搜寻方法找出物体的角度信息,作为机械手臂操作目标点;通过坐标转换将相机坐标转为机械手臂坐标,由TCP/IP通信传至运动控制系统进行物件夹取。实验结果表明:不同位置的所有零件辨识准确率均在82%以上,抓取误差在1~4 mm内,符合工业生产的要求。