在特定工业环境中产生的粉尘不仅对设备的运行和维护构成损坏,更对工人的健康和环境产生威胁,因此,对粉尘进行实时有效的检测并及时采取相应的措施具有重要意义。文章基于YOLOv8目标检测基础模型,进行了多项改进。引入了动态上采样器DySample,以增强对不同尺寸粉尘目标的检测能力,提升小目标粉尘的检测精度。另外,在工业环境中,粉尘检测通常存在复杂的背景,如机器设备、管道等,这些背景可能会干扰模型的判断,导致误检。为了改善复杂背景下的检测性能,将Dynamic ATSS标签分配策略应用于训练过程中的正负样本分配阶段,通过动态调整预测框和真实框重叠程度的指标(intersection over union,IoU)阈值,使得正样本的选择更加符合粉尘目标的分布特性,提高检测器的泛化能力。实验结果显示,改进后的模型相比传统YOLOv8模型,在粉尘目标检测的精度、召回率以及mAP等指标上均有提升,其中精度提升10%,召回率提升3%,mAP50提升5%左右,且在应对复杂背景和多尺度目标时表现更加优异。这种方法提供了新的技术支持和思路,为粉尘检测在工业环境中实现自动化和智能化提供理论依据。
为解决并联机器人盲工作状态,建立了双目主动视觉监测平台(binocular active visual moni-toring platform,BAVMP)。它是一种基于圆形导轨的并联机器人工作空间监测机制。为克服视觉主动性给BAVMP带来的机械误差,提出了分解动作补偿法。仿真实验表明理论计算误差值与实际误差值基本一致,表明该方法是有效的。根据所得误差值,利用空间已知点和视觉反求原理对BAVMP中摄像机的实际位置进行了实时矫正,使BAVMP对空间目标监测更加精确有效。
