搞笑车标

<正>▲你让我也让,心宽路更宽!▲老大,我被跟踪了。▲保护新手,人人有责!▲菜鸟上路,请多关照!▲移动障碍物,请绕行。▲新手初驾,擅长急刹。▲车外不要吻我,车内禁止接吻。     

别把方向盘不当回事

握好方向盘，远比踩油门和刹车重要，因为在很多时候，例如前方碰到障碍物，你只要正确打方向就能避开，而不是急踩刹车。但很多人，包括一些老司机，握方向盘的姿势和习惯其实是存有很大隐患的。     

“三夏”检修农机注意事项

一是防压伤。修理中的农机车辆，必须用三角木塞牢车轮胎。使用千斤顶顶起车辆后，还应加用支撑工具撑牢．放松千斤顶前，注意旁边是否有人和障碍物。检修液压车厢的管路时要在倾斜的车厢支撑牢靠后才可进行。     

犬敏捷性训练器材的制作

犬的敏捷性训练是培训犬根据指挥，通过各种障碍物的能力，以适应实际的需要，是任何一头警用工作犬所必须具备的能力，敏捷性训练要求犬动作自然、灵活、敏捷、兴奋、勇敢。通过该科目的训练可培养犬的胆量、意志力、承受力、爆发力和平衡协调能力，这些能力的养成，对日后的使用十分有利。此外还能增强犬的体质和抵抗各种疾病的能力，敏捷性训练器材主要由三部分组成：跳跃类、登降类、窜跃类。     

驾驶员安全行车十五戒

起步之时,戒麻痹草率汽车起步前,驾驶员要在看清车辆左右、前后及车底下有无障碍物,仪表工作是否正常,制动气压是否达到规定数值,乘客是否坐好,货物装载是否稳妥后才能起步行驶。路上行驶,戒心猿意马行车中,驾驶员要随时注意和掌握车马、行人的动态及道路、气候、风向等情况,做到耳不旁听,目不斜视,心不乱想,双手掌握转向盘,一心只想安全事。     

传感器感知盲区条件下智能汽车主动制动系统控制研究

传感器感知盲区是造成智能汽车交通事故的主要原因之一。为了降低传感器感知盲区对智能汽车主动安全性能的影响,对传感器感知盲区条件下的智能汽车主动制动系统控制进行了研究。首先,建立感知盲区数据库,并搭建卷积神经网络对其进行识别;其次,根据其运动特征进行分类,建立感知盲区条件下的安全距离模型;最后,基于上述安全距离模型对感知盲区内的潜在障碍物进行自车速度控制,达到主动避撞的目的。仿真和实车试验表明,提出的传感器感知盲区分类可以较好地表述感知盲区的运动特征,传感器感知盲区条件下的主动避撞安全距离模型对潜在障碍物有较好的预防作用,主动避撞算法提高了智能汽车在传感器感知盲区内的主动安全性能。     

基于小波多分辨率分解的农田障碍物检测

针对基于颜色或高度信息的农田障碍物检测方法仅能实现部分障碍物检测的缺点,提出了基于频率信息的检测方法.采用小波多分辨率分解,利用田间作物产生主频信息的总量优势及作物行分布规律确定作物所在频率层.在作物层上利用图像旋转投影法校正图像的同时,获得航位偏差和航向偏差;依据频率分布特性的改变,检测出发生行遮挡的疑似障碍物位置;依据非杂草类障碍物频率变化比较缓慢,在小波多分辨率分解的最高频率层上实现不发生作物行遮挡的疑似障碍物的检测;最后采用立体视觉匹配及频率信息的先验知识判定检测到的是否为障碍物.实验表明算法能检测出包括长满草的土堆、田头等各类障碍物,并能有效去除断垄干扰,单帧图像处理时间平均为79 ms.     

基于空间注意力和可变形卷积的无人机田间障碍物检测

为了解决植保无人机作业时,传统田间障碍物识别方法依赖人工提取特征,计算耗时较长,难以实现在非结构化田间环境下实时作业识别的问题,提出一种优化的Mask R-CNN模型的非结构化农田障碍物实例分割方法。以ResNet-50残差网络为基础,将空间注意力(Spatial attention, SA)引入残差结构,聚焦跟踪目标的显著性表观特征并主动抑制噪声等无用特征的影响;引入可变形卷积(Deformable convolution, DCN),通过加入偏移量,增大感受野,提高模型的鲁棒性。构建包含农田典型障碍物的数据集,通过对比试验研究在ResNet残差网络结构中的不同阶段中加入空间注意力和可变形卷积时的模型性能差异。结果表明,与Mask R-CNN原型网络相比,在ResNet的阶段2、阶段3、阶段5加入空间注意力和可变形卷积后,改进Mask R-CNN的边界框(Bbox)和掩膜(Mask)的平均精度均值(mAP)分别从64.5%、56.9%提高到71.3%、62.3%。本文提出的改进Mask R-CNN可以很好地实现农田障碍物检测,可为植保无人机在非结构化农田环境下安全高效工作提供技术支撑。     

基于D2-YOLO去模糊识别网络的果园障碍物检测

针对果园目标检测时相机抖动以及物体相对运动导致检测图像模糊的问题,本文提出一种将DeblurGAN-v2去模糊网络和YOLOv5s目标检测网络相融合的D2-YOLO一阶段去模糊识别深度网络,用于检测识别果园模糊场景图像中的障碍物。为了减少融合网络的参数量并提升检测速度,首先将YOLOv5s骨干网络中的标准卷积替换成深度可分离卷积,并且在输出预测端使用CIoU＿Loss进行边界框回归预测。融合网络使用改进的CSPDarknet作为骨干网络进行特征提取,将模糊图像恢复原始自然信息后,结合多尺度特征进行模型预测。为了验证本文方法的有效性,选取果园中7种常见的障碍物作为目标检测对象,在Pytorch深度学习框架上进行模型训练和测试。试验结果表明,本文提出的D2-YOLO去模糊识别网络准确率和召回率分别为91.33%和89.12%,与分步式DeblurGAN-v2+YOLOv5s相比提升1.36、2.7个百分点,与YOLOv5s相比分别提升9.54、9.99个百分点,能够满足果园机器人障碍物去模糊识别的准确性和实时性要求。     

复杂环境下果园机器人路径规划方法研究

果园机器人在复杂环境中的工作效率的高低主要是由机器人的路径规划决定的,基本人工势场算法存在的问题很多,比如死锁现象、运行时间长等等。基于此提出一种新的算法,对基本人工势场算法进行改进。首先是重构识别路径,引入障碍物检测算法,可以识别出有效障碍物,同时还计算出有效的路径中间点;然后进行优化斥力作用,引入障碍物有关的边界条件,进而地图信息矩阵力向矩阵,计算出受力最大的方向,同时按此方向从起点重新检索,并且把中间点设为新起点反复迭代,这样就可以得到一个局部最优路径,最终的全局路径就是由各个局部最优路径构成。通过Matlab进行对比测试,测试结果表明:本文算法和基本人工势场算法相比,路径长度减小0.586 m,迭代次数减少19次,算法运行时间减少8.662 s,在复杂的环境中,本文算法路径规划优势明显。