自主导航农业车辆的全景视觉多运动目标识别跟踪

为提高自主导航农业车辆导航路径的准确性和行驶作业的安全性,提出自主导航农业车辆的全景视觉多运动目标识别跟踪方案。该方案采用全景视觉进行无盲区的多运动障碍目标的检测,并解决了多运动目标跟踪中遮挡重叠的问题。首先系统将多目相机采集的图像拼接成全景图像,采用分段图像的改进核函数算法对运动目标进行快速自动检测跟踪;其次采用基于路径预测的粒子滤波算法进行多运动目标跟踪并解决遮挡重叠的问题。通过试验表明:采用改进的核函数目标快速跟踪算法,与传统核函数跟踪算法相比,减少系统内存消耗66.8%,加快运算速度35.63%;采用基于路径预测的粒子滤波多目标跟踪算法,在多运动目标遮挡重叠的情况下,平均提高运动目标跟踪成功率39.5个百分点,算法平均耗时0.78s。     

基于改进YOLO v5的复杂环境下桑树枝干识别定位方法

为实现复杂自然环境下对桑树嫩叶处枝干的识别检测,改变当前桑叶采摘设备作业过程中依赖人工辅助定位的现状,解决识别目标姿态多样和环境复杂导致的低识别率问题,提出一种基于改进YOLO v5模型的桑树枝干识别模型(YOLO v5-mulberry),并结合深度相机构建定位系统。首先,在YOLO v5的骨干网络中加入CBAM(Convolutional block attention module)注意力机制,提高神经网络对桑树枝干的关注度;并增加小目标层使模型可检测4像素×4像素的目标,提高了模型检测小目标的性能;同时使用GIoU损失函数替换原始网络中的IoU损失函数,有效防止了预测框和真实框尺寸较小时无法正确反映预测框及真实框之间位置关系的情况;随后,完成深度图和彩色图的像素对齐,通过坐标系转换获取桑树枝干三维坐标。试验结果表明：YOLO v5-mulberry检测模型的平均精度均值为94.2%,较原模型提高16.9个百分点,置信度也提高12.1%;模型室外检测时应检测目标数53,实际检测目标数为48,检测率为90.57%;桑树嫩叶处枝干三维坐标识别定位系统的定位误差为(9.498 5 mm...     

基于轻量化改进模型的小麦白粉病检测装置研发

为快速、全面的监测大田小麦病害,并结合小麦发病特征实现对小麦不同生长部位的病害进行识别,设计了一款便携式小麦白粉病病害检测装置,其由双相机采集模块和主控模块组成,配合病害检测软件系统实现对小麦多部位的白粉病害采集与检测。为保证模型在检测装置部署的可行性,提出了一种基于YOLO v7-tiny模型轻量化改进的白粉病目标检测模型(YOLO v7tiny-ShuffleNet v1,YT-SFNet)。为验证该轻量化模型的准确率和检测速度,与YOLO v7-tiny模型进行训练对比,结果表明YT-SFNet模型相较于YOLO v7-tiny在平均精度上提高了0.57个百分点;在检测时间和模型内存占用量上分别下降了2.4 ms和3.2 MB。最后将轻量化模型和软件系统移植至装置主控模块,制作测试集对装置的检测准确率和检测速度进行了性能测试。其对于测试集的识别准确率为86.2%,检测速度上有较好的稳定性,且单幅病害图像从处理、检测及显示保存的全过程平均耗时为0.507 9 s。     

基于改进SSD的果园行人实时检测方法

农田障碍物的精确识别是无人农业车辆必不可少的关键技术之一。针对果园环境复杂难以准确检测出障碍物信息的问题,提出了一种改进单次多重检测器(Single shot multibox detector,SSD)深度学习目标检测方法,对田间障碍物中的行人进行识别。使用轻量化网络MobileNetV2作为SSD模型中的基础网络,以减少提取图像特征过程中所花费的时间及运算量,辅助网络层以反向残差结构结合空洞卷积作为基础结构进行位置预测,在综合多尺度特征的同时避免下采样操作带来的信息损失,基于Tensorflow深度学习框架,在卡耐基梅隆大学国家机器人工程中心的果园行人检测开放数据集上进行不同运动状态(运动、静止)、不同姿态(正常、非正常)和不同目标面积(大、中、小)的田间行人识别精度和识别速度的对比试验。试验表明,当IOU阀值为0. 4时,改进的SSD模型田间行人检测模型的平均准确率和召回率分别达到了97. 46%和91. 65%,高于改进前SSD模型的96. 87%和88. 51%,并且参数量减少至原来的1/7,检测速度提高了187. 5%,检测速度为62. 50帧/s,模型具有较好的鲁棒性,可以较好地实现田间环境下行人的检测,为无人农机的避障决策提供依据。     

区域交通智能车辆控制器优化设计和品质分析

为实现区域交通智能车辆(CyberCar)对目标路径的稳定跟踪,导航控制器设计是核心技术之一。首先建立基于视觉预瞄的车辆转向动力学控制数学模型,根据现代控制理论研究了最优导航控制器设计中加权矩阵、加权系数和预瞄距离的优化选取方法。仿真分析和试验结果表明,经过优化设计后的控制器对车辆模型中的不确定因素具有很好的品质特性,使区域交通智能车辆在户外自主导航中具有良好的跟踪性能。     

基于DeepSORT算法的肉牛多目标跟踪方法

肉牛的运动行为反映其健康状况,在实际养殖环境下如何识别肉牛并对其进行跟踪,对感知肉牛的运动行为至关重要。基于YOLO v3改进算法（LSRCEM-YOLO）,利用视频监控实现了实际养殖环境下的肉牛实时跟踪。该方法采用MobileNet v2作为目标检测骨干网络,根据肉牛分布不均、目标尺度变化较大的特点,提出通过添加长短距离语义增强模块（LSRCEM）进行多尺度融合,结合Mudeep重识别模型实现了肉牛多目标跟踪。结果表明：在目标检测方面,LSRCEM-YOLO的mAP值达到了92.3%,模型参数量仅为YOLO v3的10%,相比YOLO v3-tiny也降低了31.34%;在肉牛重识别方面,采用基于调整感受野的Mudeep模型,获得了更多的多尺度特征,其Rank-1指标达到了96.5%;多目标跟踪的多目标跟踪准确率相对于DeepSORT算法从32.3%提高到了45.2%,ID switch次数降低了69.2%。本文方法可为实际环境下的肉牛行为实时跟踪、行为感知提供技术参考。     

基于自适应导航参数的智能车辆视觉导航

为提高导航路径识别的鲁棒性和实时性,采用了分区阈值二值化、噪声点搜索及滤波等图像处理方法,并对导航路径进行分区逐段识别;在路径跟踪方面,在获取的导航路径图像中选取远端路径和近端路径,以远端路径和近端路径的方位偏差量作为确定目标路径的依据,使提取的导航参数能适应导航路径的变化。根据四轮智能车辆模型进行路径跟踪仿真计算。在此基础上,采用两块数字信号处理器,对基于路径导航的视觉智能车辆进行了设计和试验验证。试验结果表明采用该方法设计的智能车辆具有较好的路径识别和跟踪控制效果。     

利用候选区域的多模型跟踪算法

跟踪过程中发生的尺度变化、形变、遮挡是导致模型漂移的重要原因。为了克服模型漂移对鲁棒跟踪的影响，本文提出了一种利用多判别式模型和候选区域的跟踪算法。首先，该算法采用候选区域替代传统的滑动采样，适应跟踪过程中目标的位移和尺度变化。接下来，为了提高目标的表征能力，先用预训练网络提取整幅图片的深度特征，再通过感兴趣区域采样层(ROI pooling layer)快速提取每一个候选区域的深度特征，进一步提高跟踪算法的鲁棒性。最后，运用多模型选择机制进行回撤过去错误的模型更新，并通过调整搜索区域实现对目标的重检测，有效抑制了模型漂移对鲁棒跟踪的影响。实验中，本文算法与相关算法在OTB 2013数据库和UAV 20L数据库上进行了对比。结果表明，本文算法在精确度与成功率上均取得了最优性能，并能有效抑制模型漂移对鲁棒跟踪的影响。     

基于时空信息的交通违法识别方法研究

道路总里程、密度以及车辆保有量逐年上升,如何在有限的人工成本内有效限制车辆道路上的违法行为至关重要,智能交通系统愈发成为处理车辆交通违法的关键手段。针对监控视频流,提出了一种基于时空信息判别车辆违法行为的检测方法。采用YOLOv4检测视频流中的道路目标,使用Deep Sort算法对目标进行时序跟踪,最终通过对目标在感兴趣区域内的行为判别来识别其是否交通违法。实验结果表明,基于车辆在时序以及空间上的违法行为判别的正确率达到94%,证明了方法的有效性。     

基于改进YOLO v5的宁夏草原蝗虫识别模型研究

针对草原蝗虫图像具有样本收集困难、目标较小和目标多尺度等技术难点,基于YOLO v5网络,提出了一种复杂背景下多尺度蝗虫目标检测识别模型YOLO v5-CB,用于宁夏草原常见蝗虫检测。改进模型YOLO v5-CB针对蝗虫原始样本量较少的问题,使用CycleGAN网络扩充蝗虫数据集;针对蝗虫图像中的小目标特征,使用ConvNeXt来保留小目标蝗虫的特征;为有效解决蝗虫图像尺度特征变换较大问题,在颈部特征融合使用Bi-FPN结构,来增强网络对多尺度目标的特征融合能力。实验结果表明,在对宁夏草原常见亚洲小车蝗、短星翅蝗、中华剑角蝗进行检测识别时,YOLO v5-CB的识别精度可达98.6%,平均精度均值达到96.8%,F1值为98%,与Faster R-CNN、YOLO v3、YOLO v4、YOLO v5模型相比,识别精度均有提高。将改进的蝗虫检测识别模型YOLO v5-CB与研发的分布式可扩展生态环境数据采集系统结合,构建了基于4G网络的Web端蝗虫识别平台,可对观测点的蝗虫图像进行长期实时检测。目前,该平台已在宁夏回族自治区盐池县大水坑、黄记场、麻黄山等地的草原生态环境数据获取中得到了应用,可对包括宁夏草原蝗虫信息在内的多种生态环境信息进行长期检测和跟踪,为虫情防治等提供决策依据。     

混合动力汽车和新能源汽车数据分析

通过对市场上已公布的中国、日本、欧洲、美国、韩国等车企的部分混合动力汽车和新能源汽车(如插电式混合动力汽车、增程式电动车、纯电动汽车)的性能参数(如发动机的排量、功率及扭矩,变速机构的类型,动力结构布置形式、电机的类型、功率及扭矩,电池的类型及能量、车辆的纯电续航里程与纯电行驶的最高速度)的统计分析,指出了混合动力汽车和新能源汽车的发展趋势,为汽车企业研发混合动力汽车和新能源汽车提供数据参考.     

基于深度相机的山地果园运输车避障系统设计

为避免山地果园单轨运输车在运行过程中碰撞到作业果农、牲畜、大型石块等障碍物,提高果园作业的安全性和稳定性,采用深度相机基于渡越时间法设计一套山地果园单轨运输车避障系统。该系统运行时由深度相机获取运输车通行通道障碍物信息,经过运行Linux系统的树莓派车载电脑进行数据处理,做出决策后下发标志位信号至运输车控制中枢Stm32微控制器,控制电机改变运动状态。试验结果表明:该系统对于障碍物识别率为100%,对于符合修剪要求的干扰型侧枝,其误触率在8%以下,避障最小制动距离为101 cm,系统最大延时0.475 s。     

基于ICR的履带车辆路径跟踪与转向控制算法研究

针对丘陵山区单边制动农用履带车辆路径跟踪精度低、控制次数多、转向偏差大等问题,本文开展不同负载条件下履带车辆路径跟踪控制研究。首先,对履带车辆的转向运动学进行理论分析,并建立履带车辆运动学模型;其次,根据履带车辆单边制动转向特性,提出一种基于瞬时旋转中心（Instantaneous center of rotation,ICR）的大角度转向控制算法,该算法能够根据规划路径的转向点位置与履带车辆转向瞬心,规划出最优的转向目标点,并控制履带车辆在该转向目标点一次性转向到所需航向,与此同时,完成转向控制器设计;最后,开展履带车辆在3种不同负载条件下的仿真试验与田间试验。仿真结果表明,大角度转向控制算法产生的跟踪路径平均误差面积与平均转向控制次数分别降低68.95%、68.77%;田间试验结果表明,大角度转向控制算法产生的跟踪路径平均横向偏差均值、平均转向控制次数与转向点处平均最小偏差分别减少57.27%、33.93%、62.29%,且路径跟踪效果更优,验证了大角度转向控制算法的有效性。试验结果满足履带车辆路径跟踪的要求,为实现农用履带车辆的路径跟踪提供理论基础与参考。     

基于预见位姿信息的铰接式车辆LQR-GA路径跟踪控制

针对铰接式车辆的特殊转向结构和行驶特性,为提高其路径跟踪控制精度和反应速度,提出了一种基于预见信息的线性二次型最优控制(Linear quadratic regulator,LQR)策略,并应用遗传算法(Genetic algorithm,GA)对状态量权重矩阵进行优化求解,获得最优LQR状态反馈控制器,实现铰接式车辆精确路径跟踪控制,由位置偏差、行驶方位偏差和曲率偏差来反映控制效果。ADAMS-Matlab/Simulink联合仿真结果:位置偏差为0.03 m,偏差误差为1.3%,行驶方位偏差误差为0.19%,曲率偏差收敛于0.003 m-1。联合仿真和试验验证结果表明,所提出的控制方法可有效提高控制精度,实现铰接式车辆的精确、稳定路径跟踪。     

基于自抗扰技术的智能车横向控制

针对智能车辆横向控制问题,以二自由度车辆模型为研究对象,通过构造一个关于横向偏差和期望偏航角的理想偏航角,以控制车辆横摆角跟踪到理想偏航角为目的,设计自抗扰车辆横向控制器。自抗扰控制器能够将车辆的质量参数、侧偏刚度等不确定参数和外界扰度观测出来并进行补偿,保证控制系统的鲁棒性。Simulink/CarSim联合控制仿真实验表明:车辆跟踪双移线路径时,自抗扰控制器相较于模型预测控制器的路径跟踪精度更高;在不同道路附着条件和不同负载时,都具有良好的跟踪效果。     

有压管道内串列管道双车的运移速度

为了完善和发展筒装料管道水力输送技术,通过物理模型试验和理论分析相结合的方法研究有压管道内串列管道双车的运移速度的影响因素.结果表明:随着雷诺数、管道车直径、车身长度的逐渐增大,管道双车的运移速度均呈现出逐渐增大的变化趋势;而随着荷重的增加,管道双车的运移速度逐渐降低;不同车间距下管道双车的运移速度小于单个管道车的运移速度,且随着车间距的不断增大,管道双车的运移速度逐渐增大并向单个管道车的运移速度靠拢.采用多元回归分析中的标准回归系数法对各影响因素进行分析,结果发现雷诺数、管道车直径、车身长度、荷重、双车间距对管道双车的运移速度影响程度依次降低.研究成果为优化管道车结构,提高管道双车的运移速度,降低管道车的输运能耗等提供一定的参考和基础.     

扰动下农用运输车辆路径跟踪控制器设计与试验

为提高农用运输车辆路径跟踪的鲁棒稳定性,基于线性模型预测控制结合农用运输车辆特点设计了路径跟踪控制器。该方法首先将农用运输车辆的运动学模型进行离散化求解,推出误差模型作为控制器预测方程,为使农用运输车能够克服在田间行驶时的各种干扰,通过构建李雅普诺夫函数重点分析了该模型的鲁棒稳定性,得到控制周期约束条件,然后建立目标函数并引入松弛因子,最后把预测模型代入目标函数进行优化求解,重复以上过程,实现优化控制。Matlab仿真表明：当前轮转角扰动不大于15°及横向扰动不大于1.5m时,控制器可以迅速起到调节作用,使车辆快速回到参考轨迹上行驶。对应的场地试验结果表明：试验小车以2m/s的速度跟踪参考路径时,直线路段跟踪效果良好,最大横向偏差为10.57cm,均值为8.49cm;添加扰动路段的跟踪偏差较大,最大横向偏差为23.89cm,最大纵向偏差为62.53cm,但在控制器的控制作用下可以实现对路径的有效跟踪。由此可见,该控制器在速度小于等于2m/s的情况下,可以满足农用运输车辆对路径跟踪的精度与鲁棒稳定性要求。     

无人驾驶铰接转向车辆路径跟踪控制研究综述

路径跟踪是无人驾驶技术的重要组成部分,是实现铰接转向车辆准确平稳自主行驶的关键,对提高铰接转向车辆在农业、林业、矿山及建筑等行业的作业效率和安全性具有重要意义。车辆模型构建、控制算法设计和算法验证评估是路径跟踪控制研究的基础,围绕这3方面阐述了铰接转向车辆路径跟踪控制研究的进展。首先回顾了铰接转向车辆的几何学模型、运动学模型和动力学模型,并讨论了各类模型在路径跟踪控制研究中的适用场景及局限性;在此基础上,阐述了铰接转向车辆路径跟踪控制算法的研究现状,对比并总结了每种算法的优缺点及适用范围,并进一步归纳了算法的验证与评估手段;最后展望了铰接转向车辆路径跟踪技术未来的研究重点及方向：考虑车辆动力学因素及模型参数动态时变特性的车辆建模研究;融合各类算法适应性并结合智能算法的多工况自适应控制算法设计;标准化、流程化的高保真仿真场景开发及集成准确性、稳定性、安全性等多性能的评估方法研究。     

电动汽车前悬架的优化及仿真研究

现在开发的电动车都是依附在原有车型的基础上的，由于电动汽车不同的行驶性能，及车身整体的布置及重量的不同，其行驶的平顺性等各方面的参数都没有进行优化。本文以电动汽车前悬架在举升效应下车轮侧向滑移尽可能短为目标函数，对电动汽车的平顺性进行了研究。以某电动车为原形，在理论分析的基础上，建立了汽车的简化双横臂式独立悬架模型及整车模型。并对仿真软件进行了二次开发，编辑了一个智能化的调节窗口，为以后分析同类型悬架提供了方便．