为解决无人机在自主降落过程中目标模型识别和目标模型距离获取等问题,提出了一种基于yolov4算法和单目视觉技术的识别测距算法。通过yolov4算法对目标模型进行训练,利用相机小孔成像的原理,计算出目标模型到无人机的距离。所提出的无人机单目测距算法,通过无人机仿真平台进行实验,实验数据分析结果表明测量的距离误差率在5%之内。该研究可用于实现无人机精准自主降落。

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。

作为one-stage代表作的YOLO系列最新算法,YOLOv4在检测速度和精度相比于YOLOv3均有提升,但是YOLOv4在视频流的检测速度上仍有提升的空间。提出一种融合Camshift和YOLOv4的车辆目标检测算法。算法的流程为:首先计算图像的差异值哈希值,然后利用哈希值来判断当前帧图像与上一帧图像的相似度,当相似度小于阈值,则交给YOLOv4算法进行检测,并将检测结果传给Camshift作为其初始化跟踪窗口;当相似度大于阈值,则由Camshift算法来进行跟踪。最后在实际道路上采集的数据进行算法检测,检测结果表明融合算法的有效性。

为识别距离较近的防振锤,提出基于改进YOLOv4的防振锤自动检测方法。YOLOv4方法采用具有固定阈值的非极大值抑制方法选取检测框,较低的阈值会导致丢失高度重叠的目标,而较高的阈值则会导致更多的误检。为此,提出动态非极大值抑制方法,并将其应用于YOLOv4目标检测。该方法根据目标周围检测框的统计特性确定出动态阈值,提高边界框选择的准确性,降低高度重叠防振锤检测中的错检和漏检概率。为进一步提高防振锤检测精度,采用分段线性函数作为激活函数,克服YOLOv4算法中Leaky ReLU函数对负值处理不理想且函数曲线不平滑的问题,增强了模型的非线性表达能力。结果表明:基于改进YOLOv4的防振锤目标检测方法能够很好地检测出重叠的防振锤,且检测精度更高。