-
题名驼峰编组站摘钩机械臂视觉检测系统研究
- 1
-
-
作者
罗涪文
王雪梅
倪文波
韦蕾蕾
艾明阳
-
机构
西南交通大学机械工程学院
-
出处
《铁道科学与工程学报》
北大核心
2025年第9期4145-4159,共15页
-
基金
四川省国际科技创新合作项目(2022YFH0038)。
-
文摘
针对驼峰编组站自动摘钩作业时间短,而提钩杆手柄和脚蹬在复杂环境下难以快速准确检测识别和精准定位的问题,提出一种基于主动式RGBD相机结合改进YOLO11深度学习算法的视觉检测与目标定位方法。首先根据机械臂自动摘钩原理和系统应用需求,进行了视觉检测系统方案设计和RGBD相机选型。将基于GhostConv改进的HGNetV2轻量化网络(GC-HGNetV2)作为YOLO11的主干网络,能够在保证模型轻量化的同时使其具有更强的特征提取能力;同时通过引入EMASlideLoss损失函数,较好解决了正负样本不平衡的问题,提高了模型训练过程的稳定性,并进一步提升了模型的检测性能。在提钩杆手柄和脚蹬数据集上的试验结果表明,相较于原始的YOLO11模型,改进后的算法在R和mAP@50两项指标上分别提升了0.3个百分点和3.6个百分点,可以有效解决在复杂环境下因提钩杆手柄和脚蹬特征单一导致的误检和漏检问题,具有更高的检测精度和鲁棒性。最后,在实验室设计搭建自动摘钩机械臂及视觉检测系统,进行手眼标定和机械臂自动摘钩试验。试验结果表明,该视觉检测系统能够在复杂背景中快速准确检测识别提钩杆手柄和脚蹬,并准确确定其在机械臂坐标系下的三维坐标,辅助机械臂完成自动摘钩作业任务,具有良好的实时响应性能,能够满足机械臂自动摘钩应用的需求。
-
关键词
自动摘钩机械臂
主动式RGBD相机
YOLO11
GC-HGNetV2
emaslideloss
-
Keywords
automatic uncoupling manipulator
active RGBD camera
YOLO11
GC-HGNetV2
emaslideloss
-
分类号
U284.67
[交通运输工程—交通信息工程及控制]
-
-
题名基于改进YOLOv11的牙齿疾病检测算法
- 2
-
-
作者
贾庆强
柴春来
吴霁航
胡文豪
-
机构
浙江工商大学计算机科学与技术学院
-
出处
《计算机应用》
2025年第S2期293-298,共6页
-
文摘
现有的目标检测模型应用于牙齿疾病检测时,模型性能受到多类牙齿病症影像表现各异、影像形态复杂及遮挡等因素的影响。针对上述问题,提出基于YOLOv11的改进算法。首先,设计混合专家(MoE)模块选择性地激活局部专家网络,在维持计算效率的前提下显著提升模型容量(参数量提升34%),增强对病灶纹理和形态等细粒度特征的区分能力;其次,引入级联注意力(CGA)强化不同层次特征之间的交互和融合,提升遮挡场景下的病灶定位鲁棒性;最后,使用指数移动平均滑动损失(EMASlideLoss)替换原有损失函数,利用EMA平滑策略动态调整损失权重,从而改善小目标疾病区域检测易受无关背景影响的现状。DXPD数据集上的实验结果表明,所提算法拥有更优秀的牙齿疾病检测能力,在精确率、召回率、mAP@50和mAP@50:95这4项指标上分别达到65.5%、61.3%、60.2%和28.9%,比原始YOLOv11模型分别提升了3.5、8.3、8.8与6.7个百分点。
-
关键词
YOLOv11
牙齿疾病检测
混合专家模型
级联注意力机制
指数移动平均滑动损失
-
Keywords
YOLOv11
dental disease detection
Mixture of Experts(MoE)model
Cascaded Group Attention(CGA)mechanism
Exponential Moving Average Slide Loss(emaslideloss)
-
分类号
TP399
[自动化与计算机技术]
-
