共查询到20条相似文献，搜索用时 296 毫秒
1.
首先,介绍了水果收获机器人抓取系统的总体架构;然后,利用深度学习对水果目标识别进行了研究,实现了一套基于卷积神经网络的目标检测算法;接着,利用图像处理技术实现了对目标物体定位的功能,可以引导水果收获机器人完成对目标水果的采摘。实验结果表明:水果收获机器人抓取系统对水果坐标的计算误差较小,且具备较强的水果识别和定位能力。 相似文献
2.
3.
《农业装备与车辆工程》2019,(12)
针对视觉机器人设计中传统的目标识别算法受环境、对象变化的制约,且在识别正确率及速度上存在问题,提出了基于深度学习的目标精准检测与识别方法。首先,基于深度学习的YOLO算法通过数据训练后能对目标进行准确识别,并给出目标的位置信息,然后利用双目视觉对目标进行精准定位并得到其三维坐标,最后传输给机器人并控制机器人移动抓取目标物体。实验结果表明,该方法能够准确快速地对目标进行识别与定位,并成功地指导机器人抓取目标物体。 相似文献
4.
为改善工程机器人系统的操作性,并提高在抓取和搬运柔软物体过程中的安全性,对主从遥操作系统的控制进行了研究,提出了位置速度/位置反力混合控制的方法。工程机器人在自由移动时,采用位置速度控制,工程机器人与环境间产生反馈力时,切换到位置反力控制。利用反馈力作为反馈信号,实现对力的间接控制。设计并开展了抓取与搬运柔软物体的实验,并对抓取和搬运过程中的物体最大变形量以及活塞杆平均位移进行了统计分析及配对t检测。结果表明:相比传统的位置速度控制方法,位置反力控制方法能够改善主从遥操作系统的操作性,确保在抓取和搬运过程中柔软物体的安全性。 相似文献
5.
6.
7.
8.
基于树莓派4B在ROS开发平台设计了一种面向物流的移动机械臂抓取系统,以SolidWorks为建模工具创建回转体物料模型,实现物料抓取搬运功能。通过MATLAB实现机械臂建模,在ROS中进行模型功能配置,利用笛卡尔空间轨迹规划完成机械臂移动规划,通过MoveIt！的API接口编程完成机械臂抓取。实验结果表明,该模型能够自主导航规划路径,实现目标物体的精准识别和抓取。 相似文献
9.
采摘机器人作业环境复杂,视觉系统往往不能准确对待采摘的果树或者果实进行准确的定位。为了提高采摘机器人视觉系统的定位精度,引入了图像边缘检测技术,通过提取待采摘果树或者果实的边缘,计算果实的位置坐标,为采摘机器人的自主行走定位和采摘作业提供可靠数据支持。为了验证方案的可行性,以待采摘果树的特征边缘提取为例,对系统的果树边缘提取的可行性及定位准确性进行了实验。实验结果表明:采用基于图像边缘检测技术的采摘机器人视觉系统可以成功地对果树进行定位,并输出果树的位置坐标,将位置坐标和实测位置坐标进行对比发现,其结果基本吻合,具有较高的定位精度。 相似文献
10.
智能移动苹果采摘机器人的设计及试验 总被引：1，自引：0，他引：1
以ARM9 2440处理器为核心,基于BP神经网络的机器人视觉识别和定位,研制了一种苹果采摘机器人及控制系统。首先应用Photoshop软件将图像分割为640×640像素的图片,然后在RGB颜色空间下,结合数学形态学中值滤波降噪和拉普拉斯算子边缘检测的方法实现果实目标的特征提取,最终完成苹果的定位并在MatLab环境下使用robotics-toolbox工具箱编程仿真。试验结果表明:该机器人能有效识别果实并完成抓取工作,为后续的深入研究奠定了基础。 相似文献
11.
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。 相似文献
12.
棉铃作为棉花重要的产量与品质器官,单株铃数、铃长、铃宽等相关表型性状一直是棉花育种的重要研究内容。为解决由于叶片遮挡导致传统静态图像检测方法无法获取全部棉铃数量的问题,提出了一种以改进Faster R-CNN、Deep Sort和撞线匹配机制为主要算法框架的棉铃跟踪计数方法,以实现在动态视频输入情况下对盆栽棉花棉铃的数量统计。采用基于特征金字塔的Faster R-CNN目标检测网络,融合导向锚框、Soft NMS等网络优化方法,实现对视频中棉铃目标更精确的定位;使用Deep Sort跟踪器通过卡尔曼滤波和深度特征匹配实现前后帧同一目标的相互关联,并为目标进行ID匹配;针对跟踪过程ID跳变问题设计了掩模撞线机制以实现动态旋转视频棉铃数量统计。试验结果表明：改进Faster R-CNN目标检测结果最优,平均测量精度mAP75和F1值分别为0.97和0.96,较改进前分别提高0.02和0.01;改进Faster R-CNN和Deep Sort跟踪结果最优,多目标跟踪精度为0.91,较Tracktor和Sort算法分别提高0.02和0.15;单株铃数计数结果决定系数、均方... 相似文献
13.
海参目标检测是实现海参自动化捕捞的前提。为了解决复杂海底环境下背景和目标颜色相近以及遮挡导致的目标漏检问题,本文在Faster R-CNN框架下,提出了Swin-RCNN目标检测算法。该算法的骨干网络采用Swin Transformer,同时在结构上融入了多尺度特征提取层和实例分割功能,提高了算法的自适应特征融合能力,从而提高了模型在复杂环境下对不同尺寸海参的识别能力。实验结果表明：本文方法对海参检测的平均精度均值（mAP）达到94.47%,与Faster R-CNN、SSD、YOLO v5、YOLO v4、YOLO v3相比分别提高4.49、4.56、4.46、11.78、22.07个百分点。 相似文献
14.
锦鲤选美的不同等级之间具有高相似度的特点,目前都是人工进行选美分级。为解决人工选美所存在的效率低、主观性强、成本高的问题,提出了一种基于迁移学习和改进ResNeXt50残差网络的锦鲤选美方法。本文首先构建了红白、大正、昭和3种锦鲤的选美等级数据集。其次,采用迁移学习策略提高训练速度,并从SE注意力模块、Hardswish激活函数和Ranger优化器3方面对ResNeXt50模型进行了改进,构建了SH-ResNeXt50锦鲤选美分级模型。试验结果表明：SH-ResNeXt50模型有效提升了锦鲤选美的等级分选能力,模型准确率达95.6%,损失值仅0.074,优于常用的AlexNet、GoogLeNet、ResNet50和ResNeXt50网络模型。最后,采用Grad-CAM分析SH-ResNeXt50模型的可解释性,结果表明SH-ResNeXt50模型和人工识别的感兴趣区域基本一致。本文所提出的方法实现了具有高相似度的锦鲤不同等级的智能分选,对其它具有高相似度的生物等级分选具有借鉴意义。 相似文献
15.
饲料的定期推送是奶牛饲喂过程中的重要环节,针对现有推料机器人功能单一,无法满足奶牛饲喂需求的问题,开发了奶牛智能推料机器人。构建奶牛、饲料和牛栏参照物识别与分割的YOLACT模型,融合掩膜图像、深度图与ORB-SLAM3定位信息,实现觅食奶牛的快速定位与机器人导航信息的提取;基于信息融合提出智能推料算法,根据觅食奶牛的定位信息、投料时间信息、机器人的导航信息,自动选择工作模式,控制机器人沿着预定的轨迹,实现推料、集料送料、清料等多模式推料功能,满足奶牛个性化自由采食需求,提升饲料利用率。试验结果表明：觅食奶牛的位置识别定位精度为±0.1 m,奶牛识别率为100%,机器人导航精度为±0.8 cm,智能推料准确率为100%,算法运行速率为12 f/s,满足复杂环境下机器人智能推料的要求。 相似文献
16.
17.
无人机避障不及时造成的人员伤亡及财产损失是阻碍无人机发展应用的重要原因之一,实时性好、准确率高的避障系统可降低无人机的运行风险。提出基于目标检测的智能避障系统,以one stage与two stage目标检测方法相结合的方式改进目标检测模型YOLOv3。其中,障碍物检测分三部分完成:基于darknet-53进行三个不同尺度的特征提取、RPN根据ground truth筛选感兴趣区域和yolo层多尺度特征融合预测障碍物的位置和分类。然后,在该文数据集的基础上将训练好的障碍物检测模型进行测试,测试结果表明:改进模型的障碍物检测速率为25帧/s,mAP为95.52%,与现有的目标检测模对比结果表明:本研究改进的目标检测智能避障算法,比Faster R-CNN的mAP提高17.2%,检测速率加快14个FPS;并在保证实时性的同时,mAP比YOLO2提高23.3%,比YOLOv3提高6.25%。最后,将目标检测模型应用于无人机避障系统中提出实现方案,进一步为无人机安全运行提供新的方法。 相似文献
18.
19.
为解决芦笋采收机器人选择性采收过程中成熟芦笋的判别和采摘手准确定位难题，提出了一种改进YOLACT++(You only look at coefficients)算法，利用该方法对成熟芦笋进行检测判别并定位采收切割。通过引入CBAM(Convolutional block attention module)注意力机制以及SPP(Spatial pyramid pooling)结构改进传统的YOLACT++主干网络，提高了特征提取的有效性；设计了适用于芦笋目标检测的锚框长宽比以保证覆盖到不同姿态的芦笋，以提高网络检测速度和准确率。利用生成的芦笋掩膜分段计算芦笋长度和基部直径，来判定成熟芦笋，并通过空间位姿向量计算成熟芦笋基部区域切割点位置。采收机器人田间试验结果表明，经过训练的改进YOLACT++模型的检测准确率为95.22%,掩膜平均准确率为95.60%,640像素×480像素图像检测耗时53.65 ms,成熟芦笋判别准确率为95.24%,在X、Y、Z方向的切割点定位误差小于2.89 mm,滚转角和俯仰角误差最大为7.17°;与Mask R-CNN、SOLO和YOLACT++模型相比... 相似文献
20.
为解决田间环境下由于叶片间遮盖和堆叠等因素引起的木薯叶病害识别困难的问题,本文提出一种基于改进YOLOX网络的木薯叶病害检测(Cassava leaf disease detection, CDD)模型。首先,对复杂背景下木薯叶病害图像数据集进行数据增强,以减少环境影响造成的识别困难。其次,在YOLOX网络的基础上,使用多尺度特征提取模块加强细粒度特征提取并降低模型计算量,同时嵌入通道注意力机制,提高网络的表征能力。最后,结合质量焦点损失函数作为分类损失函数辅助网络收敛,提高目标分类的准确性。实验结果表明,提出的CDD模型对复杂背景下木薯叶病害进行检测,网络参数量为5.04×106,平均精度均值达93.53%,比基础模型高6.02个百分点,综合检测能力优于多种主流模型。因此,本文提出的CDD模型对田间木薯叶病害具有更快更准确的检测能力,为实现农作物病害检测提供了可借鉴的方法。 相似文献