基于人工智能的车联网中目标检测与测距算法研究
这是一篇关于人工智能,目标检测,双目立体视觉,曲面约束-值域扫描算法,双目测距的论文, 主要内容为在车联网环境中,基于人工智能的识别与测距技术已成为解决目前现有交通问题的重要技术手段,利用目标检测与双目立体视觉此类人工智能技术精确的判断事物类别与位置对智慧交通的统筹建设提供了基础理论支撑。Mask RCNN算法在车联网中虽检测识别精度较高,但其实时性不足检测耗时严重;双目立体视觉技术凭着系统简单与精度适宜的优点满足车联网中的测距需求。本文基于人工智能技术,对Mask R-CNN算法和双目立体视觉测距算法在车联网环境下展开研究,包括以下两个方面:为提高车联网中的目标识别效率,引入Mask R-CNN算法并针对其特征提取网络参数量与计算量巨大导致算法实时性较差、耗时严重等问题进行优化。本文首先在轻量级算法Mobile Net V3＿Large的基础上创新优化提出Mobile Net V3＿MS,利用Mish激活函数替换Mobile Net V3＿Large中Layer1至Layer6中的Re LU激活函数以提高网络泛化能力的同时改善网络的性能表现;在Layer7至Layer10使用注意力机制SE模块以增强相应层对重要特征的敏感性,其次使用Mobile Net V3＿MS与FPN构造特征提取网络,最后替换Mask R-CNN中的相应结构使得特征提取网络轻量化从而减少算法的检测分割耗时。实验结果表明,本文模型能在复杂场景中对目标信息进行有效提取,且其训练时间与预测时间相比于Mask R-CNN分别减少了14.5%和85.9%,有效平衡算法整体的精确度与实时性。在车联网的测距应用方面,对潜在的双目相机测距范围做出定义,提出曲面约束-值域扫描算法对测距范围做出预测同时利用基于Mobile Net V3＿MS的Mask R-CNN算法结合SGBM双目立体匹配方法来进行目标测距。曲面约束-值域扫描算法是针对平面-空间算法在限定曲面上计算值域的方法,可使用平面-空间算法的相关参数与光学成像原理推导而出。仿真结果表明,曲面约束-值域扫描算法的有效率最高可达99.1%。基于Mobile Net V3＿MS的Mask R-CNN双目立体视觉测距算法以左图像为参考基准,使用检测后的左图像与右图像进行立体匹配并将匹配后的视差信息重映射到左图像上,然后利用加权最小二乘滤波器对视差图保边优化得到最终视差图,通过视差信息计算目标区域内随机点的距离并取其平均值作为最终的测距值,最后输出深度图。实验结果表明,距离在6.44米内测距算法相对误差不超过1%,以此反向证明了曲面约束-值域扫描算法的合理性,距离在10米以内测距算法相对误差不足5%。
光学靶标式测量系统关键技术研究
这是一篇关于双目立体视觉,三坐标测量,圆心定位,转站测量,测量应用的论文, 主要内容为基于视觉测量技术的光学靶标式测量系统是三坐标测量系统发展的一个重要方向。相比于传统的测量系统,其不受机械结构限制,具有便携、低成本、高效率、非接触式测量、灵活布置等一系列突出优点。同时,光学靶标式测量系统的手持式靶标设计适用于测量带有深孔等易受遮挡部位的复杂结构零件。在产品的开发设计、工业制造的质量控制和零件的逆向工程中,都有着极为广阔的应用前景。在对国内外光学三坐标测量系统发展现状全面分析的基础上,本文主要从圆形标志点的图像中心定位、光学靶标特征参数标定和相机转站测量方法等方面对测量系统进行了深入研究,并设计开发了基于双目视觉的光学靶标式测量系统软件。本文研究的主要内容有以下几个方面:(1)系统构成与硬件设计。构建了由相机系统、靶标系统和计算机系统组成的测量系统。介绍了系统坐标系与相机模型。设计并制作了光学靶标和参考定位靶标两种靶标,光学靶标上标志点间的相对位置关系无需严格的几何限制,其坐标可基于双目系统通过自标定获得;参考定位靶标以棋盘格角点为特征点,通过标定获得的特征角点模型解算相机位置,实现不同站位测量结果的坐标统一。(2)圆形标志点图像坐标定位与三维坐标解算。对于圆形标志点图像中心定位的问题,提出了基于视图正投影的迭代定位方法,将椭圆拟合法获得的坐标作为初值,通过在靶标的虚拟正视图上进行椭圆拟合,以迭代的方式对椭圆畸变误差进行校正。为获取标志点的空间三维坐标,研究了双目立体视觉原理与标志点的立体匹配。(3)系统固定站位标定与测量方法。利用高精度平面棋盘格标定板,通过张氏相机标定方法实现相机内外参数的标定。将提出的圆形标志点中心提取方法应用于光学靶标标志点自标定过程;根据位置不变原理结合误差含变量(Errors in Variables,EIV)模型建立定长约束方程,实现探针测头中心位置标定。光学靶标联合标定的实验结果表明,本文提出的标志点图像坐标提取方法能够有效降低标志点自标定结果的重投影误差,对探针测头中心标定结果的稳定性也有一定提升。使用本文搭建的测量系统对圆面特征进行测量,对于直径20 mm圆孔的直径测量均值为19.9138 mm。(4)系统转站测量方法。通过特征匹配对参考定位靶标的特征角点模型进行标定。基于标定结果,解算相机站位间的相对姿态,实现可变的相机站位,拓展系统测量范围。应用转站测量方法对标准锥孔间距进行测量,间隔分别为625 mm,750mm,875mm的锥孔测量结果的标准差分别为0.1406 mm,0.1282 mm,0.1910mm,满足航空零部件组装场景的测量精度需求,证明了方法的有效性。(5)系统搭建与软件开发。在标定技术和测量方法研究的基础上,搭建了完整的基于双目视觉的光学靶标式测量系统,并开发了配套的桌面软件,实现了图像采集、相机标定、光学靶标联合标定、参考定位靶标标定和目标点测量等系统功能。
基于人工智能的车联网中目标检测与测距算法研究
这是一篇关于人工智能,目标检测,双目立体视觉,曲面约束-值域扫描算法,双目测距的论文, 主要内容为在车联网环境中,基于人工智能的识别与测距技术已成为解决目前现有交通问题的重要技术手段,利用目标检测与双目立体视觉此类人工智能技术精确的判断事物类别与位置对智慧交通的统筹建设提供了基础理论支撑。Mask RCNN算法在车联网中虽检测识别精度较高,但其实时性不足检测耗时严重;双目立体视觉技术凭着系统简单与精度适宜的优点满足车联网中的测距需求。本文基于人工智能技术,对Mask R-CNN算法和双目立体视觉测距算法在车联网环境下展开研究,包括以下两个方面:为提高车联网中的目标识别效率,引入Mask R-CNN算法并针对其特征提取网络参数量与计算量巨大导致算法实时性较差、耗时严重等问题进行优化。本文首先在轻量级算法Mobile Net V3＿Large的基础上创新优化提出Mobile Net V3＿MS,利用Mish激活函数替换Mobile Net V3＿Large中Layer1至Layer6中的Re LU激活函数以提高网络泛化能力的同时改善网络的性能表现;在Layer7至Layer10使用注意力机制SE模块以增强相应层对重要特征的敏感性,其次使用Mobile Net V3＿MS与FPN构造特征提取网络,最后替换Mask R-CNN中的相应结构使得特征提取网络轻量化从而减少算法的检测分割耗时。实验结果表明,本文模型能在复杂场景中对目标信息进行有效提取,且其训练时间与预测时间相比于Mask R-CNN分别减少了14.5%和85.9%,有效平衡算法整体的精确度与实时性。在车联网的测距应用方面,对潜在的双目相机测距范围做出定义,提出曲面约束-值域扫描算法对测距范围做出预测同时利用基于Mobile Net V3＿MS的Mask R-CNN算法结合SGBM双目立体匹配方法来进行目标测距。曲面约束-值域扫描算法是针对平面-空间算法在限定曲面上计算值域的方法,可使用平面-空间算法的相关参数与光学成像原理推导而出。仿真结果表明,曲面约束-值域扫描算法的有效率最高可达99.1%。基于Mobile Net V3＿MS的Mask R-CNN双目立体视觉测距算法以左图像为参考基准,使用检测后的左图像与右图像进行立体匹配并将匹配后的视差信息重映射到左图像上,然后利用加权最小二乘滤波器对视差图保边优化得到最终视差图,通过视差信息计算目标区域内随机点的距离并取其平均值作为最终的测距值,最后输出深度图。实验结果表明,距离在6.44米内测距算法相对误差不超过1%,以此反向证明了曲面约束-值域扫描算法的合理性,距离在10米以内测距算法相对误差不足5%。
基于人工智能的车联网中目标检测与测距算法研究
这是一篇关于人工智能,目标检测,双目立体视觉,曲面约束-值域扫描算法,双目测距的论文, 主要内容为在车联网环境中,基于人工智能的识别与测距技术已成为解决目前现有交通问题的重要技术手段,利用目标检测与双目立体视觉此类人工智能技术精确的判断事物类别与位置对智慧交通的统筹建设提供了基础理论支撑。Mask RCNN算法在车联网中虽检测识别精度较高,但其实时性不足检测耗时严重;双目立体视觉技术凭着系统简单与精度适宜的优点满足车联网中的测距需求。本文基于人工智能技术,对Mask R-CNN算法和双目立体视觉测距算法在车联网环境下展开研究,包括以下两个方面:为提高车联网中的目标识别效率,引入Mask R-CNN算法并针对其特征提取网络参数量与计算量巨大导致算法实时性较差、耗时严重等问题进行优化。本文首先在轻量级算法Mobile Net V3＿Large的基础上创新优化提出Mobile Net V3＿MS,利用Mish激活函数替换Mobile Net V3＿Large中Layer1至Layer6中的Re LU激活函数以提高网络泛化能力的同时改善网络的性能表现;在Layer7至Layer10使用注意力机制SE模块以增强相应层对重要特征的敏感性,其次使用Mobile Net V3＿MS与FPN构造特征提取网络,最后替换Mask R-CNN中的相应结构使得特征提取网络轻量化从而减少算法的检测分割耗时。实验结果表明,本文模型能在复杂场景中对目标信息进行有效提取,且其训练时间与预测时间相比于Mask R-CNN分别减少了14.5%和85.9%,有效平衡算法整体的精确度与实时性。在车联网的测距应用方面,对潜在的双目相机测距范围做出定义,提出曲面约束-值域扫描算法对测距范围做出预测同时利用基于Mobile Net V3＿MS的Mask R-CNN算法结合SGBM双目立体匹配方法来进行目标测距。曲面约束-值域扫描算法是针对平面-空间算法在限定曲面上计算值域的方法,可使用平面-空间算法的相关参数与光学成像原理推导而出。仿真结果表明,曲面约束-值域扫描算法的有效率最高可达99.1%。基于Mobile Net V3＿MS的Mask R-CNN双目立体视觉测距算法以左图像为参考基准,使用检测后的左图像与右图像进行立体匹配并将匹配后的视差信息重映射到左图像上,然后利用加权最小二乘滤波器对视差图保边优化得到最终视差图,通过视差信息计算目标区域内随机点的距离并取其平均值作为最终的测距值,最后输出深度图。实验结果表明,距离在6.44米内测距算法相对误差不超过1%,以此反向证明了曲面约束-值域扫描算法的合理性,距离在10米以内测距算法相对误差不足5%。
基于人工智能的车联网中目标检测与测距算法研究
这是一篇关于人工智能,目标检测,双目立体视觉,曲面约束-值域扫描算法,双目测距的论文, 主要内容为在车联网环境中,基于人工智能的识别与测距技术已成为解决目前现有交通问题的重要技术手段,利用目标检测与双目立体视觉此类人工智能技术精确的判断事物类别与位置对智慧交通的统筹建设提供了基础理论支撑。Mask RCNN算法在车联网中虽检测识别精度较高,但其实时性不足检测耗时严重;双目立体视觉技术凭着系统简单与精度适宜的优点满足车联网中的测距需求。本文基于人工智能技术,对Mask R-CNN算法和双目立体视觉测距算法在车联网环境下展开研究,包括以下两个方面:为提高车联网中的目标识别效率,引入Mask R-CNN算法并针对其特征提取网络参数量与计算量巨大导致算法实时性较差、耗时严重等问题进行优化。本文首先在轻量级算法Mobile Net V3＿Large的基础上创新优化提出Mobile Net V3＿MS,利用Mish激活函数替换Mobile Net V3＿Large中Layer1至Layer6中的Re LU激活函数以提高网络泛化能力的同时改善网络的性能表现;在Layer7至Layer10使用注意力机制SE模块以增强相应层对重要特征的敏感性,其次使用Mobile Net V3＿MS与FPN构造特征提取网络,最后替换Mask R-CNN中的相应结构使得特征提取网络轻量化从而减少算法的检测分割耗时。实验结果表明,本文模型能在复杂场景中对目标信息进行有效提取,且其训练时间与预测时间相比于Mask R-CNN分别减少了14.5%和85.9%,有效平衡算法整体的精确度与实时性。在车联网的测距应用方面,对潜在的双目相机测距范围做出定义,提出曲面约束-值域扫描算法对测距范围做出预测同时利用基于Mobile Net V3＿MS的Mask R-CNN算法结合SGBM双目立体匹配方法来进行目标测距。曲面约束-值域扫描算法是针对平面-空间算法在限定曲面上计算值域的方法,可使用平面-空间算法的相关参数与光学成像原理推导而出。仿真结果表明,曲面约束-值域扫描算法的有效率最高可达99.1%。基于Mobile Net V3＿MS的Mask R-CNN双目立体视觉测距算法以左图像为参考基准,使用检测后的左图像与右图像进行立体匹配并将匹配后的视差信息重映射到左图像上,然后利用加权最小二乘滤波器对视差图保边优化得到最终视差图,通过视差信息计算目标区域内随机点的距离并取其平均值作为最终的测距值,最后输出深度图。实验结果表明,距离在6.44米内测距算法相对误差不超过1%,以此反向证明了曲面约束-值域扫描算法的合理性,距离在10米以内测距算法相对误差不足5%。
本文内容包括但不限于文字、数据、图表及超链接等）均来源于该信息及资料的相关主题。发布者：代码海岸 ，原文地址：https://m.bishedaima.com/lunwen/54419.html
