给大家分享5篇关于深度信息的计算机专业论文

今天分享的是关于深度信息的5篇计算机毕业论文范文, 如果你的论文涉及到深度信息等主题,本文能够帮助到你

基于RGB-D视觉显著性的堆叠水果检测算法研究

这是一篇关于堆叠水果,RGB-D显著性检测,深度信息,残差网络,特征融合的论文, 主要内容为水果是我国第三大种植产业,同时我国也拥有世界上最大的水果种植面积和消费市场,但我国水果的进出口贸易却存在逆差,其主要原因是我国水果采后处理环节,特别是水果分拣工作,大量依赖人工导致成本高且效率低,因此需要提高我国水果产业链的智能化水平,从而在一定程度上促进增加水果出口量。本文研究基于RGB-D视觉显著性的堆叠水果检测算法,其目的是在低成本、小设备的前提下,检测出最适合机器人抓取的水果目标,提出多种算法以满足不同精度和效率需求,从而在一定程度上推动水果分拣环节智能高效转型。主要研究内容如下:(1)同种堆叠水果的RGB-D数据集构建。从图像采集环境、成本和精度等多方面综合考虑,确定图像采集设备并完成图像配准和数据增强,制作本文所需数据集。另外,通过对同种堆叠水果的图像特点、图像采集时的光照条件以及现有算法的不足进行分析,确定检测技术难点,完成技术路线设计。(2)基于提取双选紧密特征的RGB-D显著性检测网络。该检测网络用于满足效率与精度相对平衡的检测需求。首先,采用Res Ne Xt-101作为特征提取的主干网络。然后,为了筛选出能够同时增强RGB图像显著区域和深度图像显著区域的特征,引入双向选择模块;为了解决跨模态特征提取不充分,导致算法计算冗余且精度低的问题,引入紧密提取模块。最后,通过特征聚合模块对密集特征进行级联融合,并将循环残差优化模块配合深度监督实现粗显著图的持续优化。经实验验证,该算法的预测显著图比其他对比算法更加接近标准真值图,能够完成在同种堆叠状态下检测出最适合机器人抓取的前景水果目标。(3)多尺度渐进式融合下的RGB-D显著性检测网络。该检测网络用于满足高精度的检测需求。首先,使用Res2net-101作为特征提取的主干网络。然后,为了实现RGB特征和深度特征之间的互补优势,引入了深度加权预处理模块来净化输入的RGB图像,削弱噪声和其他误导性特征,以避免输入图像的不稳定质量影响检测精度。其次,为了增加不同尺度分支之间的信息交互,更好地平衡融合特征和模态专属特征,提出了一种多尺度渐进融合模块,使得低层模块的输出可以全程参与更深层次的处理,而不是只进行简单的结果级联。最后,为了尽可能减少不同特征生成的初始显著性图的差异,提高最终预测显著图精度,在组合解码阶段,对多分支生成的初始显著图采用混合监督方法,加快了算法的收敛速度,提高了显著性推理的准确性。经实验验证,该算法的各项评价指标明显优于其他对比算法,与标准真值图极为接近,能够实现高精度的堆叠水果检测。(4)基于跨模态特征的三级轻量型RGB-D显著性检测网络。该检测网络用于满足高效率的检测需求。首先,以Mobile Net V3作为主干网络。然后,为有效区分深度值相近的不同待测目标,对低层细节特征进行增强;为能使深度信息与RGB信息各自的优势得到充分发挥,对中层特征实行跨模态互补操作;为有效减少参数量,在高级阶段采用共享主干。最后,为实现充分解码防止信息丢失,采用三级两阶段解码器。经实验验证,该算法的检测准确程度高于其他对比算法,且模型较小,具有明显的效率优势,能够实现高效率的堆叠水果检测。

基于特征提取网络改进的单目图像深度估计研究

这是一篇关于深度信息,图像深度估计,特征提取,深度补偿的论文, 主要内容为深度信息是理解场景三维几何关系的重要组成部分,准确有效的深度信息有助于更好地理解场景。现如今深度信息通常通过深度传感器来获取,但由于其硬件成本高及场景受限等原因难以推广使用,因此直接从二维图像中获取深度信息的研究受到广泛关注。图像深度估计就是直接从二维图像中获取深度信息的技术,是计算机视觉领域重要的研究课题之一。传统的深度估计方法大多对设备有较高要求且计算复杂,加大了深度信息获取的难度。得益于计算机性能的不断提升及深度学习的持续发展,基于卷积神经网络的单目图像深度估计取得了一些成果,但仍存在特征提取不够充分、物体轮廓模糊、预测深度图质量低等问题,故本文从特征提取网络的改进这一角度出发,对基于卷积神经网络的单目图像深度估计方法进行研究,主要工作如下:(1)提出基于稠密型卷积神经网络的单目图深度估计网络结构改进模型。针对当前深度图像网络所提取到图像特征信息并不充分,图像局部信息容易被忽略的问题,本文在结构上选择编码器-解码器模型架构。其中编码器使用Dense Net169密集结构对估计的RGB图像特征信息进行提取,解码器则使用多个上采样模块级联的方式对提取到的特征图像分辨率进行提高。通过在上采样模块中引入新的分支,解决了因图像中物体边界存在扭曲而导致的轮廓边缘不清晰问题。并通过金字塔池化模块的引入,对提取到的特征图像在多个尺度上进行融合,达到了更好反映原始RGB图像语义信息的目的。(2)设计了基于深度补偿网络的单目图像深度估计模型。针对图像中物体边缘轮廓不平滑,易出现毛刺等问题,本文使用深度补偿网络对预测的深度图像轮廓信息进行重构,更有效地保留了物体边缘附近的信息。其中编码器采用Dense Net121密集结构并添加了预卷积模块,以便同时对预测深度图像和原始RGB图像进行特征提取。提取到的特征图像通过解码器获得补偿图像,进而将补偿图像与预测图像相加得到最终的预测深度图像。在对两个网络的训练上,通过将深度补偿网络的损失作为预测网络损失的一部分,实现了对两个网络的联调。在典型深度数据集NYU-Depth V2上的对照实验表明,相较于基准网络,本文所提出的改进算法的对数误差减少了11.63%,δ精度提升了2.01%。

基于视觉信息的自重构机器人对接与协同控制研究

这是一篇关于自重构机器人,交会对接,深度信息,卡尔曼滤波,协同控制的论文, 主要内容为从某种意义上讲,在机器人诞生之初人们就已经预见到了它的终极形态,即拥有媲美甚至超越人类的主动性和创造性。这个目标持续启示着人们从自己身上找到机器人技术突破的灵感,时至今日单体机器人的运动能力和感知能力都得到了长足的进步。机器人技术开始着眼于机器自身特有的优点,考虑更具灵活性和可扩展性的设计方式。自重构机器人正是基于这种理念的产物,它是一种能够自动变形重构、且具备多样运动能力的模块化机器人。机器人内部的每个子模块具备一定的基础功能,多个模块以不同的方式组合时,能够应对各式各样的任务需求。如何设计一种最优的子模块结构和自重构方式尚无定论,在连接机构和协同控制方面自重构机器人也面临种种问题,对这些问题的探索和研究将进一步丰富机器人的应用域,使机器人技术在生产生活中发挥更大的作用。自重构机器人的对接和协同控制问题是最基础的两个问题,而它们都建立在自重构机器人的整体结构和对接机构的设计上。对接机构是指子模块之间的固连机构,对接控制问题指的是两个或多个子模块之间如何通过对接机构连接到一起,协同控制问题是指子模块完成对接之后,如何控制自重构机器人整体进行运动。针对上述问题,首先综合考虑自重构机器人和子模块运动能力之间的平衡,基于全向轮移动底盘搭建了一款新型自重构机器人的子模块平台。该平台可以独立在二维平面上全向运动,且有四个同构的对接曲面,采用错位滑动和磁吸的方式进行对接,对接机构的锁定和释放更加迅速和稳定。针对该子模块平台上搭载的传感器资源,提出了一种基于视觉信息的对接控制方法,利用相机对平台上的标签进行检测,从而确定两个平台之间的相对位姿。基于深度重投影和PNP优化的方法将深度信息与彩色图像信息相结合,提高了定位的准确度。同时将相机的定位结果与惯性测量单元的测量结果利用滤波算法相融合,进一步提高了相对位姿估计的有效性和鲁棒性。在获取实时相对位姿后,其中一个平台即可通过反馈控制与另一个平台进行对接。当对接完成后,提出了一种分布式的自适应协同控制算法,使自重构机器人对特定的轨迹进行跟踪。分布式体现在每个子平台只需要利用自己的传感器信息进行运算,自适应体现在当自重构机器人的负载发生变化时,能够自动对相关物理参数进行估计从而保证整体原有的运动。通过仿真或实物实验对以上算法的有效性进行了验证,实验结果表明给定的对接及协同控制任务都能圆满完成。新颖的自重构机器人平台设计为仓储物流管理、野外无人救援等实际需求提供了全新的解决方案,高度智能化的对接控制方法和灵活的协同控制方法提高了该自重构机器人平台的实用性,也对其它不同结构的自重构机器人的控制问题具有积极的参考意义。

基于改进SOLO v2的肉牛图像实例分割算法研究

这是一篇关于实例分割,SOLO v2,肉牛图像,深度信息,注意力机制的论文, 主要内容为在智能化技术的不断进步下,肉牛养殖自动化是现代化智慧牧场的必然发展方向,通过对肉牛图像进行实例分割,可监测肉牛的行为信息,判断肉牛的健康状况,还可以测量肉牛的体尺、体格,分析肉牛的生长状况是否达标,从而减少养殖场人员的工作量,增加养殖场的经济效益。经研究发现,肉牛图像实例分割过程中存在两方面问题:一是因肉牛图像前背景颜色相近导致分割效果不佳,二是因肉牛被遮挡和重叠造成肉牛图像分割精度较低。为了解决肉牛图像前背景颜色相近导致分割效果不佳的问题,本文提出一种使用肉牛深度图像对肉牛RGB图像的掩码分割图进行监督的分割网络,即SOLO-DS网络。首先使用肉牛的RGB图像在改进的SOLO v2网络中进行实例分割,通过在残差网络(Res Net)的第三层至第五层中增加可变形卷积(DCN)结构来扩大目标感受野范围,并采用一种基于路径聚合网络(PANet)的特征提取网络取代原有的特征金字塔网络(FPN),提高特征提取能力,得到初步的肉牛掩码分割图;其次结合肉牛图像的深度信息进行监督,将深度图像降噪处理,得到肉牛深度图像更精准的深度值;最后将初步得到的分割掩码图与深度信息融合,得到SOLO-DS网络最终的肉牛掩码分割图。在自制肉牛图像数据集上进行实验验证,实验结果显示:肉牛图像的分割精度相比原始SOLO v2网络提高5.9个百分点,平均精度为95.13%;可视化效果图显示:在前背景颜色相近的肉牛图像中,肉牛图像实例分割效果明显提升,有效改善了前背景颜色相似处边界分割不完整、不光滑的情况,证明了该算法的可行性。针对肉牛被遮挡和重叠造成肉牛图像分割精度较低的问题,本文提出一种基于RGB-D肉牛图像的实例分割算法,即SOLO-DAFF算法。使用肉牛的RGB-D四通道图像,增加图片的信息通量,在Res Net网络第五层池化前加入基于卷积块的注意力机制(CBAM),增加图像语义信息提取,在骨干网络第一层加入基于压缩和激发的注意力机制(SE),并与FPN得到的特征图相结合,得到具有更多位置信息与语义信息的特征图,再将这些特征图输入分割网络的头部中,并改进掩膜损失函数,加入平滑系数α,进行分类预测与掩码分割。在自制肉牛图像数据集上进行实验验证,实验表明,与原有的模型相比,SOLO-DAFF模型的AP提升了6.79个百分点,其平均准确率达到了96.02%,有效提高了肉牛被遮挡和重叠部位的分割效果以及整体的实例分割精度,证明了该算法的有效性。