CN109189105A - 一种巡检机器人云台控制方法 - Google Patents

一种巡检机器人云台控制方法 Download PDF

Info

Publication number
CN109189105A
CN109189105A CN201811217344.2A CN201811217344A CN109189105A CN 109189105 A CN109189105 A CN 109189105A CN 201811217344 A CN201811217344 A CN 201811217344A CN 109189105 A CN109189105 A CN 109189105A
Authority
CN
China
Prior art keywords
training
parameter
cnn
loss function
cloud platform
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN201811217344.2A
Other languages
English (en)
Inventor
彭道刚
彭盖伦
王岚青
赵晨洋
赵慧荣
姚洋洋
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shanghai University of Electric Power
University of Shanghai for Science and Technology
Original Assignee
Shanghai University of Electric Power
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Shanghai University of Electric Power filed Critical Shanghai University of Electric Power
Priority to CN201811217344.2A priority Critical patent/CN109189105A/zh
Publication of CN109189105A publication Critical patent/CN109189105A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D3/00—Control of position or direction
    • G05D3/12—Control of position or direction using feedback
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/0265—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion
    • G05B13/0275—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion using fuzzy logic only
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
    • G05B13/042—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Automation & Control Theory (AREA)
  • Software Systems (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Health & Medical Sciences (AREA)
  • Fuzzy Systems (AREA)
  • Mathematical Physics (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及一种巡检机器人云台控制方法，包括以下步骤：S1、将机器人云台拍摄的图像送入Faster R‑CNN模型进行目标检测和识别，得到图像主体位置偏差；S2、将步骤S1得到的图像主体的位置偏差送入模糊PID控制器进行参数整定；S3、根据整定结果控制云台的运动方向。与现有技术相比，本发明利用Faster R‑CNN进行目标检测识别可达到90.8％的准确率并且运行在毫秒级，模糊控制使云台能够快速反应并平稳运行，应用效果良好。

Description

一种巡检机器人云台控制方法
技术领域
本发明涉及变电站设备巡检机器人技术领域，尤其是涉及一种巡检机器人云台控制方法。
背景技术
电网的巡检维护作业是电网安全可靠运行的基本保障，是电网持续稳定供电的根本保证。随着移动机器人技术与自动化技术的发展，将机器人技术与电力应用相结合，为电网的维护提供了新的巡检方式。随着计算机技术和自动化技术的发展，利用变电站巡检机器人对变电站设备进行巡检成为推进少人或无人智能变电站进程的重要手段，利用移动机器人对变电站设备巡检已成为电力公司和科研单位的研究热点。目前变电站巡检机器人已在500～1000k V各电压等级变电站得到示范应用，该巡检方式可有效解决人工巡检存在的缺陷或隐患等问题。
在变电站巡检机器人例行设备状态检测中，红外图像与可见光图像融合诊断技术可以实现设备不用停运、不用取样、不用解体等情况下的状态检修工作，云台是红外热像仪和可见光摄像机的载体，只有精确控制云台的运动方向才能更高效地获取红外和可见光图像，为后期图像处理，进而对电力设备所存在的隐患和缺陷进行定位和定量的故障诊断做准备，云台控制越来越成为变电站状态监测的关键技术，在弥补人为因素带来的状态检修的缺陷方面发挥重要作用。
在实际变电站巡检机器人监控系统中，云台的控制主要采用基于预置位的控制方法，但因为电厂环境过于复杂，传统方法显得过于乏力。而深度学习在目标检测和目标识别领域表现优秀，其数学模型具有比浅层网络更优越的非线性逼近能力和泛化能力，在语音识别、复杂图像识别、复杂控制系统建模等领域表现出强大的性能。其中Faster R-CNN在目标识别和目标检测中表现优异，在人脸检测、车牌识别等诸多领域已有成熟的应用，大量的数据已表明该算法几乎已能达到实时性要求。
发明内容
本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种巡检机器人云台控制方法。
本发明的目的可以通过以下技术方案来实现：
一种巡检机器人云台控制方法，包括以下步骤：
S1、将机器人云台拍摄的图像送入Faster R-CNN模型进行目标检测和识别，得到图像主体位置偏差；
S2、将步骤S1得到的图像主体的位置偏差送入模糊PID控制器进行参数整定；
S3、根据整定结果控制云台的运动方向。
优选的，所述步骤S1中Faster R-CNN模型进行目标检测和识别过程中将目标的检测问题转化为目标和非目标的二元分类问题，训练的策略采用fine-tuning技术，过程具体包括：
(1)利用ImageNet图像分类任务中的训练数据对ZFnet模型进行预训练；
(2)使用步骤(1)过程中生成的候选框作为输入，使用步骤(1)中预训练的ZFnet模型初始化，并训练Fast R-CNN网络；
(3)使用步骤(2)训练的Fast R-CNN网络参数初始化RPN网络，将RPN网络的特征提取网络参数固定，仅对RPN特有的参数层训练，使RPN与FastR-CNN网络共享特征提取网络；
(4)使用步骤(3)训练的RPN网络重新生成候选框，固定Fast R-CNN特征提取网络参数，按照参数训练Fast R-CNN网络，最终使RPN与Fast R-CNN网络完全共享参数。
优选的，所述步骤(3)中对RPN特有的参数层训练的过程采用反向传播和随机梯度下降方法。
优选的，所述步骤(3)中对RPN特有的参数层训练过程中的损失函数是分类误差和位置回归误差的联合损失函数，具体为：
其中，i表示第i个anchor点，pi表示分类器预测为目标的概率，pi *＝1表示第i个anchor点为正样本，ti表示预测的边界框，ti *表示候选区域边框和真实目标边框之间的偏差，Ncls和Nreg分别表示分类损失函数和位置回归损失函数的归一化系数，λ为分类损失函数和位置回归损失函数之间的权重参数，Lcls(pi,pi *)表示分类损失函数，Lreg(ti,ti *)表示位置回归损失函数。
优选的，所述分类损失函数是目标和非目标两个类别的对数损失函数：
Lcls(pi,pi *)＝-log[pi *pi+(1-pi *)(1-pi)]；
所述位置回归损失函数为检测框与真实框的误差函数：
其中，R是鲁棒的损失函数smoothL1。
优选的，所述步骤(3)中对RPN特有的参数层训练过程中的正样本为与任意的真实边框的IoU大于0.7的候选区域，负样本为与所有真实边框的IoU小于0.3的候选区域，不属于以上两种情况的目标候选区域不在训练中使用。
优选的，所述步骤S2中模糊PID控制器进行参数整定的过程包括：
将Faster R-CNN所得图像主体位置偏差作为模糊控制器的输入量，选取PID控制器的三个参数的修正值ΔKp、ΔKi、ΔKd作为输出量，在模糊数据库中选用7种模糊语言，分别为：负大、负中、负小、零、正小、正中和正大，选用三角形隶属函数对控制器的三个参数kp、ki、kd进行调整。
优选的，所述图像主体位置偏差包括目标中心坐标与图像中心坐标的误差e、误差变化率ec，所述三角形隶属函数对控制器的三个参数kp、ki、kd进行调整的规则包括：
1)当e为较大时，即为负大或正大时，增大kp并减小kd，同时ki取0附近；
2)当e和ec为一般大小时，即为负中、零或正中时，kp在保证云台响应的时候取较小的值，减小kd取值，调整积分系数ki的大小；
3)当e为较小时，即为负小或正小时，如果ec也较小，则设定一个阈值来切换工作模态，减小kd；如果ec较大，则在增大kp、ki时取合适的kd。
优选的，所述目标中心坐标与图像中心坐标的误差e的基本论域为[-160,160]，模糊论域为[-3,3]，量化因子及比例因子选择0.03；所述误差变化率ec的基本论域为[-320,320]，模糊论域为[-3,3]，量化因子及比例因子选0.033，参数增益的量化因子及比例因子选择范围为0.002～0.005。
与现有技术相比，本发明具有以下优点：
本发明通过基于图像的反馈控制能够对云台控制过程中的偏差进行自适应调整，在机器人云台运动控制过程中引入Faster R-CNN算法，将拍摄到的图像送入Faster R-CNN模型以此得到图像主体位置偏差，并将偏差值作为模糊PID的输入量进行参数整定，进而达到精确控制云台的目的；Faster R-CNN与其他方法相比识别效果更好，用于云台控制具有优越性。
附图说明
图1为本发明云台控制整体策略图；
图2为本发明云台控制方法流程图；
图3为Faster R-CNN算法结构图。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。本实施例以本发明技术方案为前提进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。
实施例
如图1所示，本申请提出一种巡检机器人云台控制方法，基于Faster R-CNN和模糊PID，实现对变电站巡检机器人监控系统云台运动进行精确快速控制。本方法利用FasterR-CNN检测并识别云台输送图像中的目标，根据目标与图片的位置关系判断云台运动方向，计算目标中心坐标与图像中心坐标的误差e(k)、误差变化率ec(k)，并将中心坐标的误差e(k)并送入模糊PID控制器进行参数调节直到误差收敛与设定误差Er来达到控制云台的目的，其中k表示云台采集到的第k帧图像，e(k)表示计算的第k帧图像目标中心与图像中心的误差，ec(k)为第k帧图像中图像目标中心与图像中心的误差变化率。如图2所示，本方法具体包括以下步骤：
S1、将机器人云台拍摄的图像送入Faster R-CNN模型进行目标检测和识别，得到图像主体位置偏差，Faster R-CNN网络结构如图3所示，为了进一步提高检测的时效和准确度，本实施例将目标的检测问题转化为二元分类问题(目标和非目标)，本实施例中，训练的策略采用fine-tuning技术，训练过程中设置学习率从0.001开始，然后在50K步后下降到0.0001；目标检测和识别的具体过程如下：
(1)利用ImageNet图像分类任务中的训练数据对ZFnet模型进行预训练；
(2)使用步骤(1)过程中生成的候选框作为输入，使用步骤(1)中预训练的ZFnet模型初始化，并训练Fast R-CNN网络；
(3)使用步骤(2)训练的Fast R-CNN网络参数初始化RPN网络，将RPN网络的特征提取网络参数固定，仅对RPN特有的参数层训练，此时，RPN与FastR-CNN网络共享特征提取网络；
其中对RPN特有的参数层训练过程是端到端的，使用的优化方法是反向传播和随机梯度下降方法，损失函数是分类误差和回归误差的联合损失函数：
其中，i表示第i个anchor点，pi表示分类器预测为目标的概率，ti表示表示预测的边界框，ti *表示候选区域边框和真实目标边框之间的偏差，pi *＝1表示第i个anchor点为正样本，Ncls和Nreg分别表示分类损失函数和位置回归损失函数的归一化系数，λ为分类损失函数和位置回归损失函数之间的权重参数；
Lcls(pi,pi *)表示分类损失函数，是目标和非目标两个类别的对数损失函数：
Lcls(pi,pi *)＝-log[pi *pi+(1-pi *)(1-pi)]；
Lreg(ti,ti *)表示位置回归损失函数，为检测框与真实框的误差函数：
其中，R是鲁棒的损失函数smoothL1：
在训练时，正样本为与任意的真实边框(Ground Truth,GT)的IoU大于0.7的候选区域，负样本为与所有GT的IoU小于0.3的候选区域，不属于以上两种情况的目标候选区域不在训练中使用；
(4)使用步骤(3)训练的RPN网络重新生成候选框，固定Fast R-CNN特征提取网络参数，按照参数训练Fast R-CNN网络，最终使RPN与Fast R-CNN网络完全共享参数。
S2、将步骤S1得到的图像主体的位置偏差送入模糊PID控制器进行参数整定，具体为：
将Faster R-CNN所得图像主体位置偏差，包括目标中心坐标与图像中心坐标的误差e、误差变化率ec，作为模糊控制器的输入量，选取PID控制器的三个参数的修正值ΔKp、ΔKi、ΔKd作为输出量，而不是输出系数kp、ki、kd，这样更能平稳地调节参数，不会使控制效果不稳定；在模糊数据库中选用7种模糊语言，分别为：NB(负大)、NM(负中)、NS(负小)、ZO(零)、PS(正小)、PM(正中)和PB(正大)；由于三角形隶属函数在工业中应用较为广泛，故本方法选用三角形隶属函数对控制器的三个参数kp、ki、kd进行调整，调整规则如下：
1)当e为较大时，即为负大或正大时，为了让云台更快的到达指定位置，并且防止当前太大的偏差导致控制指令超出范围，因此需要增大kp并减小kd，同时为了减小超调量，防止误差累积导致饱和，因此ki一般取0附近；
2)当e和ec为一般大小时，即为负中、零或正中时，kp在保证云台响应的时候取较小的值，此时为了抑制微分系数kd的影响，因此减小取值，同时适当调整积分系数ki的大小；
3)当e较小时，即为负小或正小时，如果ec也较小，则认为云台此时已处于较为稳定的状态，此时为了防止产生振荡，设定一个阈值来切换工作模态，减小kd以增加稳态控制作用；如果ec较大，则为了抗干扰，在增大kp、ki时取合适的kd。
本实施例中模糊控制推理规则如表1所示，其中E和EC是e和ec模糊化后的量。
表1模糊控制规则
本实施例中，e的基本论域为(-160,160)，模糊论域为(-3,3)，量化因子及比例因子选择0.03，ec的基本论域(-320,320)，模糊论域为(-3,3)，量化因子及比例因子选择0.033，参数增益的量化因子及比例因子选在0.002～0.005范围。
S3、根据整定结果控制云台的运动方向。
本实施例中将Faster R-CNN的检测结果与R-CNN，Fast R-CNN的结果进行比较，结果如表2所示。由表2可知利用Faster R-CNN进行目标检测识别可达到90.8％的准确率，并且运行在毫秒级，具有优越性。再利用模糊控制使云台能够快速反应并平稳运行。
表2不同方法的识别效果
训练样本 时间(s) 准确率(％)
R-CNN 1000 24.3 84.2
Fast R-CNN 1000 1.8 90.8
Faster R-CNN 1000 0.068 90.8

Claims (9)

1.一种巡检机器人云台控制方法，其特征在于，包括以下步骤：
S1、将机器人云台拍摄的图像送入Faster R-CNN模型进行目标检测和识别，得到图像主体位置偏差；
S2、将步骤S1得到的图像主体的位置偏差送入模糊PID控制器进行参数整定；
S3、根据整定结果控制云台的运动方向。
2.根据权利要求1所述的一种巡检机器人云台控制方法，其特征在于，所述步骤S1中Faster R-CNN模型进行目标检测和识别过程中将目标的检测问题转化为目标和非目标的二元分类问题，训练的策略采用fine-tuning技术，过程具体包括：
(1)利用ImageNet图像分类任务中的训练数据对ZFnet模型进行预训练；
(2)使用步骤(1)过程中生成的候选框作为输入，使用步骤(1)中预训练的ZFnet模型初始化，并训练Fast R-CNN网络；
(3)使用步骤(2)训练的Fast R-CNN网络参数初始化RPN网络，将RPN网络的特征提取网络参数固定，仅对RPN特有的参数层训练，使RPN与Fast R-CNN网络共享特征提取网络；
(4)使用步骤(3)训练的RPN网络重新生成候选框，固定Fast R-CNN特征提取网络参数，按照参数训练Fast R-CNN网络，最终使RPN与Fast R-CNN网络完全共享参数。
3.根据权利要求2所述的一种巡检机器人云台控制方法，其特征在于，所述步骤(3)中对RPN特有的参数层训练的过程采用反向传播和随机梯度下降方法。
4.根据权利要求2所述的一种巡检机器人云台控制方法，其特征在于，所述步骤(3)中对RPN特有的参数层训练过程中的损失函数是分类误差和位置回归误差的联合损失函数，具体为：
其中，i表示第i个anchor点，pi表示分类器预测为目标的概率，pi *＝1表示第i个anchor点为正样本，ti表示预测的边界框，ti *表示候选区域边框和真实目标边框之间的偏差，Ncls和Nreg分别表示分类损失函数和位置回归损失函数的归一化系数，λ为分类损失函数和位置回归损失函数之间的权重参数，Lcls(pi,pi *)表示分类损失函数，Lreg(ti,ti *)表示位置回归损失函数。
5.根据权利要求4所述的一种巡检机器人云台控制方法，其特征在于，所述分类损失函数是目标和非目标两个类别的对数损失函数：
Lcls(pi,pi *)＝-log[pi *pi+(1-pi *)(1-pi)]；
所述位置回归损失函数为检测框与真实框的误差函数：
其中，R是鲁棒的损失函数smoothL1。
6.根据权利要求2所述的一种巡检机器人云台控制方法，其特征在于，所述步骤(3)中对RPN特有的参数层训练过程中的正样本为与任意的真实边框的IoU大于0.7的候选区域，负样本为与所有真实边框的IoU小于0.3的候选区域，不属于以上两种情况的目标候选区域不在训练中使用。
7.根据权利要求1所述的一种巡检机器人云台控制方法，其特征在于，所述步骤S2中模糊PID控制器进行参数整定的过程包括：
将Faster R-CNN所得图像主体位置偏差作为模糊控制器的输入量，选取PID控制器的三个参数的修正值ΔKp、ΔKi、ΔKd作为输出量，在模糊数据库中选用7种模糊语言，分别为：负大、负中、负小、零、正小、正中和正大，选用三角形隶属函数对控制器的三个参数kp、ki、kd进行调整。
8.根据权利要求7所述的一种巡检机器人云台控制方法，其特征在于，所述图像主体位置偏差包括目标中心坐标与图像中心坐标的误差e、误差变化率ec，所述三角形隶属函数对控制器的三个参数kp、ki、kd进行调整的规则包括：
1)当e为较大时，即为负大或正大时，增大kp并减小kd，同时ki取0附近；
2)当e和ec为一般大小时，即为负中、零或正中时，kp在保证云台响应的时候取较小的值，减小kd取值，调整积分系数ki的大小；
3)当e为较小时，即为负小或正小时，如果ec也较小，则设定一个阈值来切换工作模态，减小kd；如果ec较大，则在增大kp、ki时取合适的kd。
9.根据权利要求8所述的一种巡检机器人云台控制方法，其特征在于，所述目标中心坐标与图像中心坐标的误差e的基本论域为[-160,160]，模糊论域为[-3,3]，量化因子及比例因子选择0.03；所述误差变化率ec的基本论域为[-320,320]，模糊论域为[-3,3]，量化因子及比例因子选0.033，参数增益的量化因子及比例因子选择范围为0.002～0.005。
CN201811217344.2A 2018-10-18 2018-10-18 一种巡检机器人云台控制方法 Pending CN109189105A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811217344.2A CN109189105A (zh) 2018-10-18 2018-10-18 一种巡检机器人云台控制方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811217344.2A CN109189105A (zh) 2018-10-18 2018-10-18 一种巡检机器人云台控制方法

Publications (1)

Publication Number Publication Date
CN109189105A true CN109189105A (zh) 2019-01-11

Family

ID=64945527

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811217344.2A Pending CN109189105A (zh) 2018-10-18 2018-10-18 一种巡检机器人云台控制方法

Country Status (1)

Country Link
CN (1) CN109189105A (zh)

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110134132A (zh) * 2019-04-29 2019-08-16 西北工业大学 一种多无人机协同目标定位的系统和方法
CN111260649A (zh) * 2020-05-07 2020-06-09 常州唯实智能物联创新中心有限公司 一种近距离机械臂感知与校准方法
CN111611989A (zh) * 2020-05-22 2020-09-01 四川智动木牛智能科技有限公司 一种基于自主机器人的多目标精准定位识别方法
CN112130559A (zh) * 2020-08-21 2020-12-25 同济大学 一种基于uwb与激光雷达的室内行人跟随与避障方法
CN113313073A (zh) * 2021-06-28 2021-08-27 宁波智能装备研究院有限公司 一种对显微操作生物样本吸持控制方法及系统
WO2022057800A1 (zh) * 2020-09-16 2022-03-24 华为技术有限公司 云台摄像机、云台摄像机的追踪控制方法、装置及设备
CN118170153A (zh) * 2024-05-09 2024-06-11 鹰驾科技（深圳）有限公司 一种基于360环视摄像头辅助的无人机边缘计算处理方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101888479A (zh) * 2009-05-14 2010-11-17 汉王科技股份有限公司 检测和跟踪目标图像的方法及装置
CN106200693A (zh) * 2016-08-12 2016-12-07 东南大学 土地调查小型无人机的云台实时控制系统及控制方法
CN108306217A (zh) * 2018-02-11 2018-07-20 广州市极臻智能科技有限公司 一种架空高压线智能自主沿导线飞行巡检系统和方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101888479A (zh) * 2009-05-14 2010-11-17 汉王科技股份有限公司 检测和跟踪目标图像的方法及装置
CN106200693A (zh) * 2016-08-12 2016-12-07 东南大学 土地调查小型无人机的云台实时控制系统及控制方法
CN108306217A (zh) * 2018-02-11 2018-07-20 广州市极臻智能科技有限公司 一种架空高压线智能自主沿导线飞行巡检系统和方法

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
ROSS GIRSHIC: "Fast R-CNN", 《2015 IEEE INTERNATIONAL CONFERENCE ON COMPUTER VISION》 *
SHAOQING REN 等: "Faster R-CNN: Towards Real-Time Object Detection with Region Proposal Networks", 《IEEE TRANSACTIONS ON PATTERN ANALYSIS AND MACHINE INTELLIGENC》 *
李士勇: "《智能控制》", 31 December 2011, 哈尔滨工业大学出版 *
杨楠 等: "基于DRN和FasterR-CNN 融合模型的行为识别算法", 《计算机应用研究 优先出版》 *
郭广颂 等: "《智能控制技术》", 30 June 2014, 北京航空航天大学出版社 *

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110134132A (zh) * 2019-04-29 2019-08-16 西北工业大学 一种多无人机协同目标定位的系统和方法
CN111260649A (zh) * 2020-05-07 2020-06-09 常州唯实智能物联创新中心有限公司 一种近距离机械臂感知与校准方法
CN111611989A (zh) * 2020-05-22 2020-09-01 四川智动木牛智能科技有限公司 一种基于自主机器人的多目标精准定位识别方法
CN112130559A (zh) * 2020-08-21 2020-12-25 同济大学 一种基于uwb与激光雷达的室内行人跟随与避障方法
WO2022057800A1 (zh) * 2020-09-16 2022-03-24 华为技术有限公司 云台摄像机、云台摄像机的追踪控制方法、装置及设备
CN113313073A (zh) * 2021-06-28 2021-08-27 宁波智能装备研究院有限公司 一种对显微操作生物样本吸持控制方法及系统
CN118170153A (zh) * 2024-05-09 2024-06-11 鹰驾科技（深圳）有限公司 一种基于360环视摄像头辅助的无人机边缘计算处理方法

Similar Documents

Publication Publication Date Title
CN109189105A (zh) 一种巡检机器人云台控制方法
CN109334543A (zh) 一种电力巡检车与无人机相协同的电力巡线系统及方法
CN109657615A (zh) 一种目标检测的训练方法、装置及终端设备
Liu et al. Study on UAV parallel planning system for transmission line project acceptance under the background of industry 5.0
CN106529719A (zh) 基于粒子群优化算法风速融合的风电功率预测的方法
CN108229587A (zh) 一种基于飞行器悬停状态的输电杆塔自主扫描方法
CN115457006A (zh) 基于相似一致性自蒸馏的无人机巡检缺陷分类方法及装置
CN110212551A (zh) 基于卷积神经网络的微网无功自动控制方法
Liu et al. Intelligent monitoring of indoor surveillance video based on deep learning
CN115912502A (zh) 一种智能电网运营优化方法及装置
Liu et al. Multi-UAV Cooperative Task Planning for Border Patrol based on Hierarchical Optimization.
CN109993108B (zh) 一种增强现实环境下的手势纠错方法、系统及装置
Vohra et al. End-to-end learning with multiple modalities for system-optimised renewables nowcasting
CN116362109B (zh) 一种基于数字孪生的智能无人系统和方法
Tiancheng et al. Infrared image segmentation method of current transformer based on DeepLabv3+ network
Chen Enhancing Validity of Green Building Information Modeling with Artificial-neural-network-supervised Learning--Taking Construction of Adaptive Building Envelope Based on Daylight Simulation as an Example.
Wei et al. Contrastive domain adaptation via delimitation discriminator
Yang et al. High-altitude Inspection Technology of Substation Based on Fusion of Unmanned Aerial Vehicle and Multiple Sensors.
CN113420492A (zh) 一种基于gan与gru神经网络的风光火耦合系统频率响应模型建模方法
Hu et al. Visual-Based Moving Target Tracking With Solar-Powered Fixed-Wing UAV: A New Learning-Based Approach
Li et al. Object recognition through UAV observations based on YOLO and generative adversarial network
Liu et al. Robot grasping target detection method based on YoLov3
Ma Research on meteorological cloud computing platform based on bp neural network
CN111627064B (zh) 一种行人交互友好型的单目避障方法
Feng et al. A Power Grid Equipment Fault Prediction Model Based on Faster RCNN and Video Streaming

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication

Application publication date: 20190111

RJ01 Rejection of invention patent application after publication