《基于视觉感知的智能扫地机器人的垃圾检测与分类》PDF+DOC
作者:宁凯,张东波,印峰,肖慧辉
单位:中国科学院遥感应用研究所;中国图象图形学学会;北京应用物理与计算数学研究所
出版:《中国图象图形学报》2019年第08期
页数:11页 (PDF与DOC格式可能不同)
PDF编号:PDFZGTB2019080140
DOC编号:DOCZGTB2019080149
下载格式:PDF + Word/doc 文字可复制、可编辑
《面向人体行为识别的深度特征学习方法比较》PDF+DOC2018年第09期 匡晓华,何军,胡昭华,周媛
《基于深度学习和多传感器的数控机床铣刀磨损状态信号监测方法研究》PDF+DOC2020年第09期 徐卫晓,谭继文,井陆阳,唐旭
《基于深度学习的无人值守地面传感器目标检测与识别方法》PDF+DOC2019年第05期 赵薇,许铜华,王楠
《卷积神经网络在无人驾驶感知技术上的应用》PDF+DOC2019年第01期 刘新磊,赵星洋,王琪琛
《利用传感器数据检测讲授循环结构的教学方法》PDF+DOC 周富峰,孙树森
《基于长短时记忆网络的人体姿态检测方法》PDF+DOC2018年第06期 郑毅,李凤,张丽,刘守印
《基于卷积神经网络与注意力模型的人体步态识别》PDF+DOC2019年第07期 汪涛,汪泓章,夏懿,张德祥
《基于多传感器信息融合技术的交叉路口车流检测》PDF+DOC2008年第03期 徐华中,吴苏,刘念
《雷达故障检测专家系统设计》PDF+DOC2011年第02期 李浩,邱超凡
《基于灰色神经网络的压力传感器温度补偿模型》PDF+DOC2013年第04期 孙艳梅,苗凤娟,宋志章
目的为了提高扫地机器人的自主性和智能化程度,为扫地机器人配备视觉传感器,使其获得视觉感知能力,通过研究有效的垃圾检测分类模型与算法,实现对垃圾的定位与识别,引导扫地机器人对垃圾进行自动识别与按类处理,提高工作的目的性和效率,避免盲动和减少能耗。方法选择检测速度较快的YOLOv2作为主网络模型,结合密集连接卷积网络,嵌入深层密集模块,对YOLOv2进行改进,提出一种YOLOv2-dense网络,该网络可以充分利用图像的高分辨率特征,实现图像浅层和深层特征的复用与融合。结果测试结果表明,智能扫地机器人使用本文方法可以有效识别不同形态的常见垃圾类别,在真实场景中,测试识别准确率为84. 98%,目标检测速度达到26帧/s。结论实验结果表明,本文构建的YOLOv2-dense网络模型具有实时检测的速度,并且在处理具有不同背景、光照、视角与分辨率的图片时,表现出较强的适应和识别性能。在机器人移动过程中,可以保证以较高的准确率识别出垃圾的种类,整体性能优于原YOLOv2模型。
提示:百度云已更名为百度网盘(百度盘),天翼云盘、微盘下载地址……暂未提供。