视觉导引AGV鲁棒特征识别与精确路径跟踪研究

针对AGV多分支路径与工位点标识的可靠识别以及导引路径的精确跟踪问题,提出了一种基于双视野窗口的鲁棒特征识别与精确路径跟踪方法。采用整幅视野范围作为模式识别窗口,在该窗口采用基于核主成分分析(KPCA)和BP神经网络的识别方法,将路径特征通过核函数映射到高维空间进行PCA降维,再利用BP神经网络识别降维后的样本矩阵。同时提出一种导引扫描窗口设置方法,该窗口范围取决于摄像机竖直视角以及摄像机安装倾斜角,在导引扫描窗口内将导引路径简化为直线模型并用最小二乘法拟合,针对拟合直线计算导引所需的路径偏差。实验结果表明,KPCA-BP方法显著提高了路径特征识别的实时性和鲁棒性,6类路径特征的平均特征识别正确率为99.5%;导引扫描窗口有效减小了导引路径直线拟合的计算误差,直线路径跟踪误差小于3 mm,曲线路径跟踪误差小于30 mm。     

箱型暗渠一次浇筑成型的技术研究与应用

箱型暗渠一次浇筑成型本身能够较好地促进整个工程实施的有效性。基于此,通过对案例工程的介绍,分析钢模台车使箱型暗渠一次浇筑成型的方法以及混凝土养护方法等等,由此保证工程应用以及实施的有效性。     

基于轻量化YOLOv3卷积神经网络的苹果检测方法

为使苹果采摘机器人在复杂果树背景下能快速准确地检测出苹果,提出一种轻量化YOLO(You only look once)卷积神经网络(Light-YOLOv3)模型与苹果检测方法。首先,对传统YOLOv3深度卷积神经网络架构进行改进,设计一种同构残差块串联的特征提取网络结构,简化目标检测的特征图尺度,采用深度可分离卷积替换普通卷积,提出一种融合均方误差损失和交叉熵损失的多目标损失函数;其次,开发爬虫程序,从互联网上获取训练数据并进行标注,采用数据增强技术对训练数据进行扩充,并对数据进行归一化,针对Light-YOLOv3网络训练,提出一种基于随机梯度下降(Stochastic gradient descent,SGD)和自适应矩估计(Adaptive moment estimation,Adam)的多阶段学习优化技术;最后,分别在计算机工作站和嵌入式开发板上进行了复杂果树背景下的苹果检测实验。结果表明,基于轻量化YOLOv3网络的苹果检测方法在检测速度和准确率方面均有显著的提高,在工作站和嵌入式开发板上的检测速度分别为116.96、7.59 f/s,F1值为94.57%,平均精度均值(Mean average precision,mAP)为94.69%。