视觉与二维激光雷达的目标检测方法

为了改进单一传感器对目标物体的检测范围小、检测特征少以及检测准确率较低的问题,提出一种视觉与二维激光雷达的目标检测方法。在视觉检测方面提出一种改进的GoogLeNet算法实现视觉对目标物体的识别,该方法相比GoogLeNet算法在对6种目标物体的识别准确率上提高了0.7%。在二维激光雷达检测方面采用欧氏聚类算法对二维激光雷达的点云数据聚类,接着使用RANSAC算法对聚类簇中的数据点进行筛选,最后使用卡尔曼滤波算法对目标物体的位置进行预测,实现二维激光雷达在特定平面上360°对目标物体进行跟踪检测和定位。实验结果表明,该方法使得移动机器人扩大了检测范围、增加了检测特征并提高了识别准确率。     

基于激光雷达点云的车辆目标检测算法改进研究

本文提出了一种基于PointRCNN的改进目标检测算法。该方法针对原始PointRCNN对远距离处的车辆检测效果较差的问题进行了优化，并提高了算法目标检测的平均精度值。改进算法第1阶段先将激光雷达点云进行伪图像处理，降维至二维，然后利用Point-Focus结构对其进行处理并还原至三维点云。再将其送入PointNet++主干网络中进行特征提取，得到点的分类与回归结果并进行第1阶段的3D框生成。第2阶段对3D框进行优化选择，引入Point-CSPNet结构进一步提升网络学习能力和鲁棒性。本文合理借鉴了YOLO系列算法中的Focus、CSPNet结构，充分提取了原始点云中的有效信息，有效整合了网络运算过程中的特征及梯度变化，提高网络的检测准确率。本文的改进算法在KITTI数据集的3D场景下平均精度值从81.10%提升至81.74%;BEV场景下平均精度值从86.87%提升至88.20%,可视化效果中远距离处的车辆目标检测效果也得到了一定程度的优化，对无人驾驶技术进一步优化和完善具有一定的积极意义。     

基于几何仿射与注意力的三维激光点云分类

三维点云分类和分割对于三维重建和自动驾驶等技术的发展具有积极的推动作用。三维点云数据具有无序、不规则和稀疏等特点，因此三维点云分类和分割的研究面临诸多挑战。PCT分类网络采用标量注意力机制提取三维点云局部特征，具有良好的三维点云特征学习能力，在三维点云分类和分割任务中表现出先进的分类精度。然而PCT在对三维点云数据进行下采样时忽视了其稀疏性对几何结构所产生的影响，从而无法充分地提取局部特征致使三维点云分类和分割精度下降。针对该问题，本文提出一种基于注意力机制的三维点云分类分割网络GAM-PCT，具体地，GAM-PCT网络采用了向量注意力机制对单通道特征的权重进行调节，利用减法关系和邻域位置编码对三维点云邻域求取注意力特征，同时在对整体点云下采样时插入即插即用的几何形状仿射（GAM）模块来解决三维点云局部区域的稀疏性问题，进而提升网络的分类准确率。实验结果表明，与PCT三维点云分类和分割网络相比，所提出GAM-PCT网络在数据集ModelNet40上的分类精度提升了0.3%，而在ScanObjectNN数据集上的分类精度提升了1.9%，在ShapeNet数据集上的分割平均交并比值提升了0.2%。同时在网络参数量和FLOPs指标上分别降低了0.31 G和0.69 M。实验结果表明改进后网络的复杂度得到了简化，充分验证了改进方法的有效性。     

一种基于改进YOLOv4的SAR舰船检测算法

在大量数据支持的背景下,如何高效利用大量SAR图像,提升舰船目标的检测精度是当前舰船目标检测的难题。本文聚焦如何提升YOLOv4算法对SAR舰船目标的检测精度,提出了一种融合多尺度和注意力增强的YOLOv4增强算法。在原YOLOv4的PANet中加入注意力模块（CBAM）,同时使用加强的K-means聚类算法对数据集中的舰船目标真实框进行聚类,并对锚框结果进行线性比例变换,让算法锚框更适合于训练集。实验证明本文提出的算法在SAR舰船检测中的平均准确率（）达到了94.05%,比原始YOLOv4精度提高了0.7%。实验结果充分证明本文提出的算法能够提升SAR舰船图像检测精度,为海上活动判断精确化提供技术支持。     

大尺寸空间中自动获取测量目标点的新方法

本文基于机器视觉领域中利用双目立体视觉技术测量大尺寸物体的三维面形的研究,提出一种先对图像边缘检测后分析图像中物体形状,面积等几何特征,自动获取测量空间中多个目标点的方法,并用大量实验验证了该方法的可行性,使测量大物体面型的测量更方便、快捷,同时也能够提高三维面型的测量精度.     

融合多注意力机制与PointRCNN的三维点云目标检测

针对三维不规则的点云格式和密度不均匀的问题,提出了一种融合多注意力机制与PointRCNN网络用于三维点云目标检测。本实验主要对PointRCNN两阶段网络分别进行改进,首先,把通道注意力与空间注意力机制串行通过调节输入到第一阶段各网络层的分布,批量归一化进一步快速识别三维特征;其次,引入交叉位置注意力机制到第二阶段网络为了避免交叉路径出现位置偏差,从而进一步精细化三维目标位置以进行特征提取。在KITTI数据集上实验结果表明：相比于PointRCNN检测网络,改进的网络在小汽车和行人测试上平均均值精度(mAP)分别提高了1.2%、1.9%。因此改进的方法在解决了点云格式不规则和密度不均匀问题的同时还保证了检测精度。     

基于改进Faster RCNN的轮对踏面缺陷检测

针对目前传统图像处理算法对踏面缺陷检测存在效率不高、对环境鲁棒性不足等问题，本文提出基于改进Faster RCNN的踏面缺陷检测方法。改进的网络首先使用Resnet50作为特征提取网络，并在特征金字塔层（FPN）特征融合输出部分加入自注意力机制，加强了检测网络对小缺陷的检测能力，最后使用K-means++聚类算法对踏面缺陷数据集锚框进行聚类，并通过聚类结果定制出更适合轮对踏面缺陷的锚框。实验结果表明，改进后的Faster RCNN网络对轮对踏面缺陷检测的平均检测速度为68 ms,平均精度（mAP）达到了97.3%，对小目标缺陷的检测精度（mAPsmall）达到了39.3%。     

旋转扫描结构光的三维检测系统及其标定

针对传统平移扫描检测系统的缺陷,提出了一种基于旋转扫描线结构光的三维检测与重构系统及对应的系统参数标定方法,建立了点云数据获取模型。被测物体通过旋转实现与线结构光间的相对运动,得到被测物体的外表面二维图像。系统标定获得图像坐标与世界坐标间的转换关系,得到被测物体的三维坐标信息及数字模型。由实验可知,相机的标定精度为0.2 mm,原理样机进行物体测量的精度为0.1 mm。实验证明该系统检测精度高,具有可行性。     

基于方向自适应检测器的输电线路设备检测方法

如何利用现有可见光影像数据与设备,实现高效巡检,辅助一线作业人员开展工作,是目前电力自动化巡检研究中亟待解决的难题.基于可见光图像的电力巡检存在图像畸变、待检测物体和摄像机角度不同导致目标特征丢失等问题,常见的目标检测算法往往效果较差,无法满足电力巡检要求.针对上述问题,提出一种基于CenterNet的有向检测器Rot-CenterNet.具体方案:首先,为了检测有向目标框,加入用于回归角度的检测头,并引入IoU-L1计算目标检测头的损失函数.其次,Rot-CenterNet提出3个骨干网络以适应于不同算力的电力业务场景部署,分别为保持高分辨率表征的HRNet、参数量少且实现精度与速度极致性价比的EfficientNet和大多数边缘芯片均支持的经典算子ResNet.同时,该文设计了DCN-ASPP和D-SKN模块,实现感受野随目标设备的形状和角度方向自动调整.最后,针对现有输电线路可见光数据集较少且不规范的问题,以项目为依托,整理了一批包括架空输电和电缆隧道场景在内的有向设备数据集并命名为TransLine-2020.在测试集上,经过检测器和骨干网络的改进,所提出的模型在检测设备元件上,相比CenterNet模型平均精度值(average percision,AP)提高了5.95.为了进一步证明检测器具备多场景应用能力,Rot-CenterNet在公开DOTA数据集中也进行了实验,取得了同样不错的效果.     

噪声背景下基于激光雷达点云数据的分裂导线自动提取与三维重建

提出了基于改进DPC算法的具有强抗噪性的分裂导线自动提取与三维重建方法。以噪声背景下的输电线路点云数据为分析对象，首先根据特征分析法滤除输电线路点云中的地物点和杆塔点，并采用K-MEANS聚类方法提取每根电力线点云；然后提出改进DPC算法实现分裂子导线点云的聚类和提取；最后采用最小二乘法实现各分裂子导线三维模型重建。并与K-MEANS算法的聚类结果进行了对比，证明了改进DPC算法的强抗噪性和鲁棒性。     

基于 2D 预处理的点云分割和测量研究

针对传统 3D 工业相机获取的点云数据进行工件检测时因工件粘连和噪声干扰导致边缘分割问题,考虑点云数据量大 影响检测实时性和 3D 特征点选取不准确导致测量误差大的因素,提出一种基于 2D 边缘检测的预处理方法,实现点云快速分 割和测量。 首先,采用改进的 Canny 算法对有序点云的纹理图像进行边缘检测,将检测后的图像进行数学形态学操作和轮廓检 测完成纹理图像分割,规避了在 3D 空间中进行分割处理,有效减少了点云数量;其次,结合工件的形状特征和放置方式,利用 掩膜操作提取出有序点云数据,使用基于 RANSAC 和条件滤波结合的方法对分割后的点云进行自适应阈值滤波处理,有效去 除了噪声点云;最后,对经过预处理后的目标点云基于 PCA 的包围盒去计算工件尺寸以及表面法向量。 实验结果表面,和传统 的 3D 分割算法相比,能够更准确的提取出目标点云,有效减少了待处理点云数量,整体分割效率提高了约 20%;工件尺寸的平 均相对误差约 1. 24%,可以满足测量的需求。     

大视角变化下点云配准方法研究

为了提高大视角变化下点云配准的精度和效率,本文提出了一种基于仿射不变特征点云提纯与改进随机梯度下降法的点云配准方法。该方法首先获取具有抗视角变化能力的二维特征匹配点,并借助特征点云的空间拓扑关系设计点云提纯方法来估计点云初始位姿变换;然后,在随机梯度下降法的基础上,设计聚类近邻快速搜索策略以提高点云对应点的查找效率,概率地动态调整随机梯度下降法的学习率以提高配准的全局收敛性。实验结果表明,本文方法对大视角改变时的点云配准具有很好的适应性,能够有效提高配准的精确度和配准效率。     

改进稠密双目匹配算法在输电线路基础三维重建的应用研究

三维扫描技术具有准确性强、精度高等优势,在工件尺寸测量、体积测量等方面得到了初步的应用。然而,针对输电线路基础这类大尺寸、低纹理特征的对象,其获得的三维点云较为稀疏,匹配精度还存在一定问题,测量精度无法达到特高压电网建设的要求,应用还存在一定难度。为了解决上述问题,论文建立双目摄像系统的数学模型,通过改进的Census变换和高斯加权操作提高图像匹配代价计算的精度,结合基于纹理信息的图像边缘保留滤波方法,计算得到目标表面的稠密点云,实现了三维表面重建。通过对220千伏电网基建工程进行三维测量实验,实验结果表明论文提出的三维测量方法和系统,测量误差低于1mm,满足输电线路工程基础质量设计和验收规范要求,能够广泛应用于电网基建工程基础验收等环节,提高验收精确度。     

基于 3D 视觉的风电塔筒焊缝检测系统设计

为满足风电机组塔筒行业对焊缝外观质量缺陷检测高效性、精确性的需求,采用3D机器视觉技术研制了基于风电塔筒焊缝外观质量缺陷检测系统。首先,通过点云滤波、点云分割、点云精简对采集的点云数据进行预处理,确保后期缺陷评判的准确性;其次,对三维数据进行轮廓切片化处理以及断点拟合处理,得到轮廓特性;再次,采用递归粗提取改进算法提取特征点,进行缺陷评判,获得焊缝外观缺陷检测结果;最后,根据系统焊缝缺陷评判流程及标准,选取典型的焊缝样板进行焊缝宽度、焊缝错边以及焊缝直线度测试,焊缝检测精度可达0.001 mm,速度为当前人工检测速度的3倍,检测结果表明,系统具备高准确性、高速度和高精度特性,能代替人工检测,具有良好的应用前景。     

基于TOF相机的喷涂工件在线三维重建

喷涂生产线轨迹规划和喷涂机器人自编程技术大都以工件的在线三维测量为基础。近年来TOF相机作为一种高性价比的3D成像设备,被应用于工件测量。针对TOF相机成像视场有限、单次成像只能获取局部轮廓深度信息等问题,提出一种基于工件在位旋转和图形处理器(GPU)加速的TOF点云视频流三维重建算法。该方法在有向距离函数(SDF)点云融合基础上,采用空间散列表存储管理海量点云数据,同时引入快速视觉里程(FOVIS)算法用于姿态估计,以提高喷涂工件在位三维重建算法的效率和鲁棒性。喷涂生产线仿真平台实验表明,在线重建过程中平均帧数可达58 f/s,失败率≤2%,显存占用率25%,为随后的三维测量和喷涂轨迹规划提供完整的点云数据。     

DAISY 和 LBP 描述符结合的三维点云粗拼接方法

针对三维点云拼接需借助点云信息几何特征的问题,采用 DAISY 描述符和 LBP 描述符结合的方法提取相邻测量站位 重叠区域图像特征,解算出相邻测量站位坐标系之间的位置变换矩阵,从而将多测量站位的三维点云数据初步转换至同一坐标 系中。 首先,介绍了边缘检测和 DAISY 描述符的构建;然后,通过欧氏距离对相邻图片特征点进行匹配,根据匹配点之间的关 系解算出不同站位下的坐标转换关系。 实验结果表明,该方法在不使用其他辅助工具的前提下可以较好实现三维点云数据粗 拼接,为点云拼接技术在三维重建和逆向工程等领域的应用提供了理论依据。