基于边缘计算改进的MobileNetV1-SSD表面缺陷视觉检测方法

表面缺陷检测是产品质检的重要工序之一,现有边缘端视觉检测大多存在识别率低、模型结构复杂、部署困难、模型推理实时性差等问题。为此,本文以STM32H747微控制器为边缘设备,基于MobileNetV1-SSD轻量化模型,研究了一种融合CBAM注意力机制的表面缺陷视觉检测方法。首先,融合CBAM注意力机制,添加在最后一层的特征提取网络之后,使缺陷目标在检测模型中的特征表达能力得到增强,模型在仅增加少量的参数量的基础上提升模型的检测准确率;其次,对CBAM-MobilenetV1-SSD模型进行预处理;最后,采用X-CUBE-AI工具包在STM32H747微控制器中实现了模型的移植和部署。通过对比实验表明,融合CBAM注意力机制的模型mAP达到83.75%,精度比原算法提高2.75%,参数量仅为1.67M,模型大小为622KB,且部署在边缘设备对软包锂电池表面缺陷检测精度有显著提升。     

双重下采样增强的点云改进配准算法研究

自动驾驶领域对点云配准实时性要求高，而已有ICP算法及其变体存在对初始位姿要求高、配准速度慢等问题。鉴于此，本文提出了一种改进的快速点云配准方法，首先采用双重下采样方法对初始点云数据进行预处理，在保留原始特征的同时快速降低点云数据量，然后引入内部形状描述子（ISS）来优化超级全等四点集（Super4PCS）算法，降低其时间复杂度，最后选用线性最小二乘优化ICP算法进行快速精配准。采用斯坦福点云数据和自动驾驶Kitti点云数据对该算法有效性进行了测试和对比验证，结果表明：该算法具有良好的鲁棒性，且配准精度和配准速度均比已有算法有明显提高。