关键词： 改进YOLOv4   双臂协作   分拣系统   目标检测   轻量化  

摘要： 随着智能制造和自动化物流的发展,双臂机器人在复杂环境下的协作分拣任务受到越来越多的关注。然而,当前的目标检测模型在应对多变复杂的工厂环境时,往往难以兼顾精度和实时性,导致分拣效率和准确性受到影响。因此,提出了一种基于轻量化改进的YOLOv4的双臂协作分拣目标检测模型,旨在提高机器人在动态环境中的目标检测能力和分拣效率。实验结果表明,改进后的模型检测图片的平均耗时为0.031s,平均精度均值为96.3%,对不同种类工件的分类准确率为97.82%,具有良好的综合性能。改进后的YOLOv4模型显著提高了目标检测的精度和速度,同时在双臂协作分拣任务中表现出更高的稳定性和适应性,为实现高效的双臂机器人协作分拣提供了一种可行的解决方案。

关键词： 两相流   颗粒   奥克托今造型粉   原位测量   深度学习  

摘要： 针对原位、在线获取奥克托今(HMX)造型粉形貌信息的需求,设计了颗粒图像探针及采集系统,获取了造型粉悬浮颗粒图像。以掩模区域卷积神经网络(Mask RCNN)为框架,提出了一种基于改进Swin Transformer的图像处理方法,通过并联通道注意力模块和窗口自注意力机制提出CA-Swin Transformer结构以合理分配图像通道的关注度,并进一步结合特征增强模块建立了一种颗粒识别网络(particle recognition network,PRNet),有效提高了颗粒识别精度。以标注的HMX造型粉图像数据集对PRNet进行训练与测试。结果表明,PRNet的AP、AP_(50)和AP_(75)分别达到了62.3%、84.4%和72.5%;识别特征粒径D_(10)、D_(50)、D_(90)和D_(max)与人工标注值的相对误差分别为-4.788%、-0.770%、-0.272%和0.313%,均优于基准网络Mask RCNN及其以Swin Transformer为主干网络的变体。此外,对重叠颗粒的遮挡部分进行复原,重叠颗粒圆形度、Feret直径和长宽比与人工标注绝对相对误差分别小于8%、4%和5%。

关键词： 机器学习   白关丝瓜   分级检测   图像处理   目标检测  

摘要： 白关丝瓜是株洲地区唯一获得国标“双认证”的蔬菜类产品,其品质分级对于市场销售和产业发展具有关键意义。探讨如何利用机器视觉处理白关丝瓜图像,以便进一步实现等级划分。通过采集并处理外观图像得到形状特征,采用机器学习算法构建分级模型,提出一种根据白关丝瓜图像的矩形度和圆形度的组合来确定白关丝瓜批次形状的方法。对获取的白关丝瓜样本进行训练和测试来不断优化模型参数,以提高其分级性能,剔除符合不同标准的白关丝瓜。实验结果表明,基于机器学习的分级方法能有效区分不同等级的白关丝瓜,准确率达到93%以上,相较于人工分级方法,具有更高的准确性和稳定性。

关键词： 图像处理   无线充电   运动控制   智能车  

摘要： 以全国大学生智能车竞赛为背景,针对无线充电智能车所需实现的功能及性能指标要求,提出了一个实现方案。以英飞凌TC264D单片机为主控制器,以超级电容组为储能装置,通过充电线圈检测模块检测智能车与无线充电发射线圈的相对位置关系,进而控制智能车在充电时的精准停车位置以提高充电效率;通过MT9V034摄像头检测赛道图像,采用边界识别算法拟合虚拟中线算法,对图像进行处理并提取出赛道元素信息;通过赛道元素信息处理策略得出智能车的控制规律,实现自主寻迹运行。在搭建的赛道上对智能车实物进行测试,结果表明,该智能车具有停车精准度高、充电效率高、寻迹速度快等优点。

关键词： 深度学习   计算机视觉   表情识别   微表情特征   谎言识别  

摘要： 目前,有多种谎言识别方法,包括使用测谎仪测谎.然而这些方法执行起来效果有限,不仅需要与被测谎对象产生接触,而且要求相关人员具备专业知识,不便于实行,且效果有限.心理学研究表明,微表情是人脸上的一种持续时间极其短暂的细微肌肉运动,能反映人在做出此表情时的真实内心状态.相关研究表明,人脸上的微表情特征可以作为谎言识别的线索.本文研究基于微表情特征的谎言识别,首先构建一个说谎时的微表情数据集,命名为MED.其次,设计一个基于多层自注意力机制的微表情特征学习模型MEDR,根据学习到的说谎和未说谎时的微表情特征进行谎言识别.最后,本文还在新构建的数据集上,对本文设计的模型与一些现有模型进行实验对比,实验结果显示,本模型在自制高质量数据集上取得94.33%的准确率,表明本模型在谎言识别方面具备出色的性能.

关键词： 深度学习   目标检测   注意力机制   计算机视觉   复合缩放   航拍   无人机  

摘要： 无人机结合计算机视觉技术成为新的信息获取手段,广泛应用于各个领域,但无人机多角度成像过程中,目标像素占比小,受背景干扰严重,存在目标漏检误检等现象。针对此问题,提出一种小目标检测算法。首先,替换更高效的主干网络,应用复合缩放的方式来探索网络深度、宽度以及图像分辨率三者间的平衡点;结合C2f层级链接的优势,应用注意力机制来有效提取不同尺度、方向和形状目标的上下文细节信息,并通过并行网络实现小目标位置信息的交互建模。其次,针对小目标像素利用率低的特点,设计DTADH模块,构建共享特征交互模块,结合任务对齐预测器进行目标的分类以及定位分配,经注意力机制动态计算任务特征来进行任务分解,有效减少了参数量,提高整体性能。在无人机航拍数据集VisDrone2019上进行实验,结果显示算法的mAP提升了2.1%,FLOPs减少了32.5%。计算复杂度下降,具有更好的检测效果。

关键词： 现场可编程门阵列(FPGA)   视频数字识别   图像处理   Verilog HDL   视频图形阵列(VGA)  

摘要： 构建了一种基于现场可编程门阵列(field programmable gate array,FPGA)和CMOS图像传感器OV7725的视频数字识别系统.该系统包括人工光感受器、数字电位器阵列相关电路和视频图形阵列(video graphic array, VGA)显示器.由FPGA和CMOS图像传感器OV7725组成的人工光感受器将视频数字输入并进行图像处理,利用数字电位器阵列相关电路进行数字的训练与识别,可通过VGA显示器和FPGA上的数码管进行数字显示.系统采用QuartusⅡ18.1软件平台,通过Verilog HDL语言进行程序编写并进行时序分析验证.该系统能识别0到9的视频数字,取得了良好的效果,从而实现了基于FPGA的视频数字识别系统.

关键词： 反无人机   嵌入式   边缘设备   目标检测   特征融合  

摘要： 随着无人机技术广泛应用,其滥用带来的安全风险日益显著。而传统检测和预警技术成本高、易受干扰。深度学习计算机视觉技术为无人机检测提供了高效、精准、低成本优势的新方案。然而,边缘设备上的无人机检测面临复杂背景、目标小且快、运动模糊及精度与速度平衡等挑战,本文基于YOLOv8模型,针对边缘设备限制,引入轻量级动态上采样器DySample加强特征融合,并应用三维注意力机制SimAM自适应调节特征权重,聚焦于目标区域,旨在提升无人机检测的准确性和鲁棒性,有效应对边缘计算环境下的检测难题。在Det-Fly与TIBNet数据集实验数据表明,本文提出的方法分别提升了4.5%、3.17%,且在边缘计算板中效果提升4.04%、4.34%,显著提升检测效率,满足实时反无人机检测的实际需要。

关键词： 煤矸石   目标检测   改进YOLOv8s   轻量化   实时分选  

摘要： 煤矸分选是煤矿生产的必要环节,煤矸自动识别是实现智能化分选的前提。基于深度学习的煤矸石目标检测可以充分利用图像特征,其精度上限高,但存在模型计算量较大、难以部署实时分选现场等问题。针对上述问题,提出轻量级的DVBS-YOLOv8s煤矸石目标检测方法。为了提高模型的推理速度,在YOLOv8s的网络骨干部分引入DSConv和Vanillanet模块,在网络颈部引入Slim-neck实现轻量化;为了提高模型对皮带背景和煤矸石目标的特征抓取能力,引入BoT和Slim-neck;最后利用WIoU和Soft-NMS算法增强训练效果。搭建图像采集试验平台,并自建14 790张煤矸石图像作为数据集进行试验,结果表明,在煤矸石目标检测任务中,与YOLOv8s相比,改进后的DVBS-YOLOv8s-WS网络模型更加关注全局特征,增大了感受野,同时推理速度加快了32%;与YOLOv5系列、YOLOv7系列、SSD、Faster-RCNN和YOLOv8s相比,检测精度和速度均有所提高,为实现基于深度学习的煤矸石高精度实时分选提供了参考。

关键词： 人形机器人   伺服电机   无线WIFI技术   颜色追踪   人脸识别  

摘要： 在多样化的机器人应用场景中,智能人形机器人控制系统已成为当前研究的热点。通过结合数字图像处理技术、计算机视觉原理以及模式识别方法,本文实现了一款高效能、自动化程度高的辨识智能人形机器人控制系统设计。在硬件设计方面,本文结合了伺服电机的精密控制与力矩输出特性,实现了机器人关节的平滑连贯动作。在软件设计方面,软件整体程序采用模块化函数的编程思想,根据硬件设计按照功能不同分好模块进行相应子函数模块编程,主要分为三个时期:系统各模块的初始化、读取MPU6050传感器的数据、动作组程序控制、辨识功能实现(颜色识别、人脸识别等)。测试结果显示,该系统在对颜色目标的追踪和人脸识别上均达到了90%以上的准确率。该智能人形机器人具备一定精度的辨识能力,运行稳定,功能完善,具有一定的应用前景。In diverse robot application scenarios, intelligent humanoid robot control systems have become a current research hotpot. By combining digital image processing technology, computer vision principles, and pattern recognition methods, this paper realizes the design of an efficient and highly automated identification intelligent humanoid robot control system. In terms of hardware design, this article combines the precision control and torque output characteristics of servo motors to achieve smooth and coherent movements of robot joints. In terms of software design, the overall software program adopts the programming concept of modular functions. According to the hardware design, modules are divided into different functions for corresponding sub function module programming. It is mainly divided into three stages: initialization of system modules, reading data from MPU6050 sensors, control of action group programs, and implementation of recognition functions (color recognition, face recognition, etc.). The test results show that the system has achieved an accuracy rate of over 90% in tracking color targets and facial recognition. This intelligent humanoid robot has a certain degree of accuracy in identification, stable operation, complete functions, and has certain application prospects.