摘要：为了降低影响并提高对变压器渗漏油巡检图像的检测效率,提出一种基于深度可分离空洞卷积金字塔的变压器渗漏油检测模型。首先,将空洞金字塔中普通卷积块修改为深度可分离卷积块,以此扩大金字塔感受野,使特征提取网络提取到的特征图语义信息更加丰富;然后,改进了特征提取阶段低阶语义特征与高阶语义特征融合过程,进一步增强特征提取网络产生特征图的语义信息;最后,为了避免经过多次卷积、池化操作后特征图语义信息的损失,在融合过程中引入空间注意力机制和通道注意力机制,进一步增强特征图中的语义信息。与UNet(convolutional networks for biomedical image segmentation)、PSPNet(pyramid scene parseing network)、DeepLabv3+(encoder-decoder with atrous separable convolution for semantic image segmentation)和MCNN(multi-class convolutional neural network)等算法进行对比实验发现,本文所提出网络检测模型效果好,查准率达到了76.85%,平均交并比达到了64.63%,召回率达到了73.56%,检测速率达到了30 f/s。为了验证本文提出方法的有效性,设计了消融实验,与基础网络模型相比,查准率提高了9.33%,平均交并比提高了7.15%,召回率提高了5.66%。

摘要：当前汽车前方障碍物识别主要通过单一传感器进行数据采集,但传感数据极易受到环境条件的影响,使最终障碍物识别的AP值较低。本文提出基于多传感器数据融合的前方障碍物识别方法,针对毫米波雷达传感器与视觉传感器,分别进行空间对准和时间同步处理,实现基于高速摄像头的多传感器数据同步采集:引入全局最近邻算法,匹配实时传感数据与目标源,并应用D-S证据融合理论,得到多传感器融合数据和完整的环境感知数据;设计以依托于卷积神经网络为基础的特征提取模型,获取传感器数据包含的特征信息,构建时空特征向量集,应用支持向量机算法完成前方障碍物识别。实验结果显示,所提障碍物识别方法的AP值为95.5%,可以满足智能驾驶避障需求。