摘要：在无人机(UAV)目标检测任务中,存在因检测目标尺度小、检测图像背景复杂等原因导致的漏检、误检问题。针对上述问题,提出改进YOLOv8s的无人机图像目标检测算法。首先,针对无人机拍摄目标普遍为小目标的应用场景,减少算法骨干网络(Backbone)层数,增大待检测特征图尺寸,使得网络模型更专注于微小目标;其次,针对数据集普遍存在一定数量低质量示例影响训练效果的问题,引入Wise-Io U损失函数,增强数据集训练效果;再次,通过引入上下文增强模块,获得小目标在不同感受野下的特征信息,改善算法在复杂环境下对小目标的定位和分类效果;最后,设计空间-通道滤波模块,增强卷积过程中目标的特征信息,滤除无用的干扰信息,改善卷积过程中部分微小目标特征信息被淹没、丢失的现象。在Vis Drone2019数据集上的实验结果表明,该算法的平均检测精度(m AP@0.5)达到45.4%,相较于原始YOLOv8s算法提高7.3个百分点,参数量减少26.13%。在相同实验条件下,相比其他常见小目标检测算法,检测精度和检测速度也有一定提升。

摘要：无人机进行目标检测,检测精度受图像质量影响,图像质量又受光照条件的影响。因此,设计了一种基于分类的轻量级无人机光适应算法——Adaptive Enhance and Exposure (AEE),利用轻量级网络ShuffleNetv2对航拍图像按光照条件分类后,再利用改进的图像处理模块自适应光照转换器(Illumination Adaptive Transformer, IAT)进行图像增强或者曝光校正;为了解决航拍低光图像噪声干扰问题,设计边缘增强滤波模块。实验证明,轻量级网络ShuffleNetv2在自建航拍图像分类数据集上分类精度达到99.5%;加入边缘增强滤波模块的图像增强算法峰值信噪比(Peak Signal to Noise Ratio, PSNR)指标平均提升1.26,结构相似性指数(Structural Similarity Index, SSIM)指标提升0.023;改进后的IAT算法PSNR指标提升0.46,SSIM指标提升0.008;光适应算法对目标检测平均准确率提升0.4%,在Jetson AGX Xavier设备上处理速度达到57.4帧/秒,满足实时目标检测。

摘要：针对工业测量零件尺寸中存在测量精度低、算法适应性差等问题,设计了基于超分模型与改进Canny算法的机器视觉零件测量系统。首先,对相机进行尺寸标定,得到像素距离与实际尺寸的比例关系;其次,引入并改进超分模型对输入图片进行预处理,得到边缘细节更加清晰的图像;接着,为了优化工业测量环境中光照条件差导致的边缘检测问题,结合Otsu算法与双阈值分割算法,利用局部阈值分割的方式改进Canny边缘滤波算法得到边缘图像;最后,对边缘图像进行圆拟合与直线拟合后,根据相机标定结果与超分模型参数标记零件尺寸结果。实验结果表明,本系统的测量精度可以达到0.001 mm,平均测量误差为0.0074 mm,整体测量速度为6.44 s,能够满足高精度工业测量需求。

摘要：针对灾害援救、探险等危险场合,本文提出一种能适应不规则地形环境,实现越障功能的机器人机构。该机构采用自架式桥式结构,结构紧凑,操纵方便。