移动机器人可替代或辅助人类的生产和生活,并深入复杂或危险的环境,需随时感知周围场景。传统的ORB-SLAM2方法在动态场景中定位不准确,由此提出一种动态场景感知下的移动机器人视觉定位与建图方法。SLAM方法通过光学传感器采集环境信息完成建图,以ORB-SLAM2作为基本框架,在其跟踪线程中添加一个动态目标检测模块,该模块采用YOLOv4网络检测目标,使用的CSPDarknet53结构在减轻骨干网络权重的同时保持检测准确性;采用改进四叉树算法提取特征,并采用改进型形状上下文的图像匹配方法完成特征匹配。在TUM RGB-D数据集上进行实验,所提算法在walking_xyz场景序列的RMSE相对ORB-SLAM2算法增加97.6%,walking_rpy场景序列的RTE和RRE分别改进97.1%和96%。比较所提算法与ORB-SLAM2算法在高、低动态场景中的客观指标和估计轨迹误差,所提算法的RMSE、均值、中间值以及性能提升的改...

针对无人机配电线自动巡检及绝缘层涂覆维护过程中障碍物主动识别和距离感知的问题,提出视觉图像与三维点云相结合的障碍物识别方法。对图像进行增广预处理来丰富数据集,引入基于特征提取的深度学习进行模型训练,获取障碍物目标的类别和方位,结合三维点云信息得到目标的距离信息。实验结果表明三维点云与视觉图像融合的障碍物主动识别与距离感知算法可以兼顾实时与精准测距的需求,提高了系统预警的精确度,最大识别误差为2.356%,有助于提高无人机及线缆涂覆机器人的障碍感知能力,保障作业安全。

针对如商业广场、学校等人口密集区域的安检巡逻任务重、安检巡逻人员严重不足的问题,自主设计研发了一款轮式巡逻机器人(YB-SP)。YB-SP利用Faster-RCNN视觉技术并结合改进的目标特征识别算法对裸露在外的治安管制刀具等进行实时目标识别,将现场情况实时传送至控制端,实现对异常和危险情况的实时反馈和跟踪,有益于远程部署和管理,提高了巡逻效率。YB-SP成功地进行了在不同场景下对管制刀具的识别试验,结果表明YB-SP机器人能很好的对管制刀具进行识别检测,并能达到安防巡逻机器人的特种要求,具体较高的推广应用价值。

针对智能看护机器人在实际生活中对目标的检测速度慢和精度低的问题,提出了一种采用轻量型卷积神经网络模型对目标进行检测的算法。首先利用MobileNets基础网络对采集到的图像信息进行特征提取,然后利用多尺度特征图检测不同尺度的目标,同时引入抑制类别样本不均衡的焦点损失函数使模型更加侧重于对困难样本的训练。实验结果表明,改进后的网络模型计算量大幅减少,检测速度提高了7倍,对不同光照条件和复杂的背景环境具有鲁棒性,能够满足对目标的检测要求。

安保机器人作为人工智能、自动控制等技术的综合体,对保障民生安全具有重大意义。受限于车底结构非完整平面,光照不充分,车速非匀速等因素,目前安保机器人对车底高危目标识别准确率较低,检测效率亟待提高。为此,本文提出了一种安保机器人车底高危目标检测方法。首先采用双边滤波器处理输入图像并进行一次小波变换,再将小波域中的低频图像作为输入并利用SURF(Speeded up Robust Features)提取特征点,然后使用基于方向和尺度约束的单向匹配策略寻找匹配点对。在此基础上,采用改进的减小迭代次数的RANSAC(Random Sample Consensus)算法剔除错误匹配点对,并校正目标图像,最后采用基于卷积的NCC算法分块匹配策略寻找危险品位置。实验结果表明,在特征匹配部分本方法相对于SURF+RANSAC算法的匹配正确率提高1.3%,耗时缩短24.2%,在后续目标检测阶段能够标定出危险品...

为了解决声纳实际使用中强脉冲干扰影响目标检测和跟踪的问题,提出一种在阵元域内实现的自适应干扰抵消方法.该方法基于最小均方（LMS）误差准则的自适应滤波来实现,引入频域批处理方法大大降低了运算量,采用可变步长的自适应叠代方法实现了对强脉冲的快速抑制.提出一种自适应干扰抵消参考信号的提取方法,同时在自适应算法中施加梯度约束计算,从而实现强干扰背景下的目标稳定跟踪.经多次水上试验表明：该方法能够不损失目标信息对强脉冲干扰进行有效抑制,达到检测被强干扰掩盖的目标信号的目的,同时也能实现强干扰背景下的目标稳定跟踪.

考虑毫米波雷达测量的误差和噪声的存在，为了提高毫米波雷达汽车防追尾预警系统的可靠性，设计了一个多模型算法实现对机动车辆的准确跟踪。针对汽车在高速公路上最常见的匀速、匀加速及转弯运动模型进行仿真实验，结果表明该算法能够有效地跟踪前方行驶车辆，探知自车与前车之间距离信息、速度信息等，从而降低雷达虚警率。

采用智能视频分析技术的智能监控系统能够最大限度地减少人为干预,提高监控效率,减轻人的工作负担,并可对动态场景视频中的目标物体进行检测、分离、跟踪与有效识别。文中介绍了opencv中的运动模板检测方法,并给出了使用该检测方法来对运动目标进行检测、跟踪与智能判断的实验结果。

为解决液压支架工长时间作业过程中,因身体疲劳不能及时发现护帮板未护帮的问题,采用实时性高的Tiny-YOLOv3算法检测护帮板状态,但检测任务会受到综采工作面尘雾的影响。因此,提出一种融合图像去雾与Tiny-YOLOv3的目标检测算法,并在此基础上优化图像去雾算法的CUDA实现,首先将暗通道图像用RGB单通道图像代替,然后按列分组求大气光值,合并初始透射率的kernel函数并优化精细化透射率计算方式,提升图像去雾速度,保证算法的实时性。实验结果表明,在煤矿护帮板状态检测场景中,融合算法比Tiny-YOLOv3算法的准确率提高了22.8%,且满足实时检测的要求。

针对机械手抓取物体大多以指定位置抓取特定物体的方式及柔性差的问题,提出利用基于深度学习方式的目标检测算法对物体进行识别。通过双目视觉算法检测物体所在的空间位置,利用D-H法进行机械手的坐标解算,从而实现物体的抓取。根据实际需求,采用实时性较好的YOLOv4目标检测算法与OpenCV中的立体匹配算法SGBM相结合的方式实现目标定位检测,并且通过租用云端服务器来训练神经网络和运行程序的方式降低本地硬件要求。实验结果表明:该机械手抓取物体的成功率达到了84%,验证了该方法具有较好的准确性,基本满足智能制造中的实际需求。