针对轨道扣件车载实时定量检测中检测的速度与精度难以平衡以及设备空间有限的问题,提出一种基于边缘AI计算的改进YOLOv8(You Only Look Once version 8)轨道扣件定量检测方法,并进行了部署和测试。首先,为实现轻量化部署,优化YOLOv8网...
详细信息
针对轨道扣件车载实时定量检测中检测的速度与精度难以平衡以及设备空间有限的问题,提出一种基于边缘AI计算的改进YOLOv8(You Only Look Once version 8)轨道扣件定量检测方法,并进行了部署和测试。首先,为实现轻量化部署,优化YOLOv8网络结构,嵌入移动神经网络V3(MobileNetV3)轻量化网络,引入压缩激励(SE)注意力机制,并重构颈部网络,加入可变形卷积;其次,结合推理引擎加速方法优化重构的网络模型,并将其部署在Jetson AGX Xavier边缘AI计算设备上;最后,对分割结果进行像素级提取,引入最小外接矩阵,定量分析扣件的断裂程度和偏转角度,并优化检测结果。结果表明:改进后的轻量化网络参数数量减少了22%;在边缘AI计算设备上的帧率相对原YOLOv8模型提升了80%,达到58帧·s^(-1);通过定量分析结果对模型进行修正,平均精度达到了97.0%,满足检测车辆所需的最低45帧·s^(-1)检测要求,实现了轨道扣件的定量化实时检测。
针对视觉SLAM(simultaneous localization and mapping)算法在动态环境下容易出现重定位失败的问题,提出了一种基于自身运动约束的动态SLAM算法。采用YOLOv5s初步区分前景与背景特征点,仅利用背景特征点进行位姿初始化;利用IMU位姿信息...
详细信息
针对视觉SLAM(simultaneous localization and mapping)算法在动态环境下容易出现重定位失败的问题,提出了一种基于自身运动约束的动态SLAM算法。采用YOLOv5s初步区分前景与背景特征点,仅利用背景特征点进行位姿初始化;利用IMU位姿信息不受动态环境影响的特性,计算每个特征点的自身运动约束值;根据背景特征点的特征约束结果设计了动态概率模型,自适应确定当前帧特征点约束的动态阈值,去除动态特征点并更新相机位姿。使用仿真数据集和真实环境数据集进行了实验验证。实验结果表明,在仿真数据集中,该方法能去除沿极线运动的特征点,相较于Dyna-SLAM,在均方根误差和标准差两项指标的提升率为87.81%和83.17%,相较于AirDos提升率分别为51.62%和41.91%。真实动态环境中重定位能力强于Dyna-SLAM,较AirDos无明显精度提升但运行速度提升29.48%。
暂无评论