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。

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.

目标分类识别的关键在于对目标分类特征的提取和高品质的目标检测方法的应用。传统的利用单一传感器进行目标信息的采集并对目标进行检测的方法，目标分类能力不强，不能处理现实环境存在的各种情况。本文通过分析声传感器和目标特征提取方法，介绍并比较了各信息融合方法的优缺点，采用神经元网络方法运用于多传感器地面目标检测系统，并最终运用K-NN聚类算法对声信号进行分类，从而较好的实现了对地面目标的检测和分类。

将分形面积度量和分形拟合误差相结合，提出一种复杂背景下扩展目标检测方法。运用分形面积度量进行目标和背景的边缘检测，并结合扩展目标特性确定目标所在区域范围，实现初检。计算原始图像各像素分形拟合误差特征，并运用概率松弛迭代法进行分形特征增强，利用增强特征进一步抑制初检结果中的自然背景。最后运用数学形态学操作剔除背景粘连，实现扩展目标精确检测。实验结果表明：该方法能够有效、可靠地检测复杂背景下的扩展目标，并能较好保持目标的外形轮廓。

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。

针对基于视觉辅助下的机器人对目标物体识别精度与抓取精度的要求,提出了一种基于深度学习目标检测方法的视觉抓取系统。系统首先通过改进的深度学习的目标检测算法实现被抓物体的识别;其次根据张正友相机标定的方法对末端夹持器柔性夹爪和深度相机实现手眼标定;最后在气动仿生手臂实验平台上完成物体的抓取实验。实验结果表明,与传统视觉抓取系统相比,基于深度学习目标检测的抓取系统不仅能够提高机器人对被抓物体的识别精度,而且还能够适应在各种复杂环境下实现对多种类别物体的抓取,取得了令人满意的抓取效果。

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。