一种基于实例推理的刀具选配方法研究

为了快速准确地选择出合适的切削刀具,提出了一种基于实例推理的刀具选配方法,利用以往的经验和知识来解决新的刀具选择问题.重点研究了刀具选配实例的知识表示和检索匹配.最后举例验证了方法的可行性.     

基于红外和可见光图像融合的铺丝缺陷检测方法

为提高纤维自动铺放(AFP)的质量,分析了目前视觉检测技术中单光谱检测技术成像的局限性,提出一种基于深度学习的红外与可见光联合检测缺陷手段以实现对铺放缺陷的检测、定位和分类。利用热红外图像与可见光图像中易检缺陷种类不同的特点,采用特征融合网络将两种光谱信息融合从而改善检测效果。考虑在线检测对实时性要求较高,为提高检测速度,采用单阶段检测网络作为检测框架,并依据纤维缺陷的长宽比分布严重不均的特点分析了单阶段检测网络中基于锚框方法的不足,提出采用无锚框的检测框架,增加改进的特征金字塔网络结构进行多尺度预测。以全类平均正确率(mAP)为衡量指标,实验结果相比单光谱检测方法、基于锚框检测方法和未使用改进特征金字塔结构分别提升了6.30%、6.64%和1.02%。通过Tensor RT加速后检测网络对每张608像素×608像素图像的检测时间小于20 ms,满足实时检测的需求,检测平均召回率超过88%,平均精确率超过82%,满足生产准确度需求。数据在试验台进行离线检测验证得出,并在大型龙门铺丝机上进行了在线测试。     

大型压力容器内部焊接点位实时检测方法

为了解决大型压力容器铝合金罐体内部防浪板自动化焊接过程中,机器人系统对焊接点位检测不智能、检测精度不高、检测鲁棒性差的问题,设计了一种结构光视觉引导机器人的多特征融合三维焊接点位实时检测方法。首先对工件进行视觉特征提取,得出多个感兴趣区域（Region of interest,ROI）,然后将多个特征融合,得到二维关键点,最后通过快速、无约束的系统标定确定三维预焊接点位。工业现场试验得出,相机坐标系下三维焊接点位提取最大误差为0.196 mm,平均误差0.099 mm,平均检测时间0.09 s,焊接点位检测精准、快速、智能,能够满足工业机器人焊接路径规划及自动焊接任务。     

基于深度学习的小目标检测研究进展

随着深度学习方法的快速发展,目标检测作为计算机视觉领域中最基本、最具有挑战性的任务之一,已取得了令人瞩目的进展。现有的算法大多针对于具有一定尺寸或比例的大中型目标,但由于待测目标尺寸小、特征弱等原因,对小目标的检测性能还远远不能令人满意。小目标检测（SOT）作为一种广泛应用于室外远程拍摄和航空遥感场景的技术,近年来受到了广泛的关注,各种方法层出不穷,但是目前对该问题的全面综述较少。从问题定义、算法分析、应用介绍、方向展望等方面对基于深度学习的小目标检测研究进展进行了综述。首先,给出了小目标检测问题的定义,阐述了其技术难点及在实际应用中面临的挑战;接着,从8个不同角度分析了检测器对小目标检测精度较低的主要原因及相应的改进方法,详细归纳总结了小目标检测在各技术方面的研究工作;然后介绍了几个特定场景下小目标检测算法的典型应用;最后,对小目标检测未来的发展趋势进行展望,提出可行的研究方向,期望为该领域的研究工作提供可借鉴和参考的思路。     

基于深度学习的无人机航拍目标检测研究综述

目标检测是提高无人机（UAV）感知能力的关键技术之一,其研究对于无人机的应用有着重要意义。与基于手工特征的传统方法相比,基于卷积神经网络的深度学习方法具有强大的特征学习和表达能力,成为目前目标检测任务的主流算法。近年来,目标检测技术已经在自然场景图像上取得了一系列突破性进展,在无人机领域的研究也逐渐成为热点。首先系统阐述了基于深度学习的目标检测算法的研究进展,并总结了相关算法的优缺点。对常见的航空影像数据集进行了梳理并介绍了迁移学习的方法;从无人机影像背景复杂、目标较小、视场大、目标具有旋转性的特点出发,对无人机目标检测在近期的研究进行了归纳和分析。最后讨论了存在的问题和未来可能的发展方向。     

复杂条件下的运动目标检测方法研究综述

运动目标检测是当前研究热点之一,被广泛地应用于计算机视觉、视频处理等领域。将运动目标检测的三种常用方法进行对比,总结其各自的适用性及局限性。针对光照变化、背景存在干扰运动、前景色与背景色接近等复杂条件,综述了相应的多种解决方案,并指出了方案算法的局限性,对复杂条件下运动目标检测方法的发展方向进行展望,从而为相关工作的进一步研究指出了方向。     

基于机器视觉技术的多余物控制方法综述

介绍了航天产品零部件制造过程中的多余物的危害和国内外多余物检测控制技术;阐述了将机器视觉控制技术运用到多余物控制上的难点并对对其解决方法进行了讨论,并详细讨论了机器视觉控制各环节关键技术及其存在的问题。     

基于VBGMM-DCNN的列车卫星定位欺骗干扰检测方法

面向基于全球导航卫星系统的铁路列车定位实施欺骗干扰的主动检测，在卫星定位解算层次，运用深度学习建模学习方法的优势，提出一种基于变分贝叶斯高斯混合模型-深度卷积神经网络（variational Bayesian Gaussian mixture model-deep convolutional neural network, VBGMM-DCNN）的列车卫星定位欺骗干扰检测方法。该方法首先提取能够充分体现欺骗干扰对定位解算过程作用影响的卫星观测特征参数，构建干扰检测特征矢量；然后，采用VBGMM模型拟合经过预处理的特征向量的概率分布，得到二维概率密度图；最后，将概率密度图用于DCNN模型实施欺骗干扰的检测决策。结合现场实验所得运行场景数据，利用实验室搭建的欺骗干扰测试环境实施了干扰注入测试与检验，结果表明,欺骗干扰检测性能随着DCNN网络深度的增加而提升，相对于常规有监督决策方法F1值最高提升44.68%。基于VBGMM-DCNN的欺骗干扰检测能够适应测试验证中运用的列车运行特征及定位观测条件，所达到的检测性能优于对比算法。     

基于改进SSD的舰船目标精细化检测方法

以SSD为代表的主流深度学习方法在目标检测领域取得了显著的成绩,但由于该类方法只能以矩形框给出目标的概略位置,检测结果具有很大的背景冗余区域,特别是港口密集停泊的舰船在图像中会出现区域重叠,导致误检和漏检。针对以上问题,提出了一种具有旋转不变性的舰船目标精细化检测方法,该方法综合利用可变形卷积、可变形池化、旋转的边框回归和旋转的非极大值抑制等模块的优点,借鉴MobileNet架构对网络加速,通过学习密集区域目标的几何形变,有效预测目标的旋转角度,最终以旋转的矩形框给出目标的位置。实验结果表明,该算法可实现多类舰船目标类型区分和目标朝向判定的功能,有效地解决了实际应用中的目标精确定位定向难题,提高了自动目标识别的精确性,并满足工程应用的实时性要求。     

基于改进DQN的复合模式在轨服务资源分配

针对开展在轨服务前的资源分配非线性多目标优化问题,构建复合服务模式下的在轨资源分配模型,基于对DQN （Deep Q-Network）方法的收敛性和稳定性改进,提出了一种在轨服务资源分配方法。该方法能够应对同时包含一对多多对一的复合服务模式,并在满足预期成功率的前提下优先分配重要服务对象,兼顾资源分配综合效益和总体能耗效率,达到了以期望成功率、较少资源投入尽快完成任务的综合目标。仿真实验表明,改进DQN方法能够在任务执行前依据服务对象重要程度自主分配航天器资源,收敛速度快、训练误差低,在分配效益和总体能耗的优化方面具有明显的比较优势。