基于深度学习的视觉目标检测、跟踪和测量应用技术

本项目根据国家战略、国内外企业发展在智能制造、城市发展、国防军事等 人工智能领域发展的需求，针对传统的视觉方法受限于手工设计的特征提取器和 分类器，无法应对复杂场景和变化环境等问题，着力于开发一种基于深度学习的 视觉目标检测和测量算法，以提高目标检测的准确性和测量的精确性。通过建立 基于深度学习的关键点检测模型对传统的各类型服装进行智能化尺寸测量，解决 机器视觉在传统服装智能检测和测量精度不足、速度较慢等技术难点，纯视觉算 法对服装中的瑕疵进行快速检测及预警，并进行自动分类和统计，实现了服装厂 质检部门的智能化发展。此外，在国防军事领域，本项目研究小型无人机在受限 于较小的重量尺寸，有效载荷轻，续航能力有限，难以装载较重、功耗较大的设 备的情况下，利用视觉图像传感器与机载图像处理器实现智能化的对地目标的快 速精准定位与远程打击，联合目标检测与多跟踪算法，通过模型量化、CUDA编 程、TensorRT加速等方式提升其在 Jetson NX上的推理速度，实现 60HZ高速处 理速度。

关键技术： 1) 图像关键点快速检测技术； 2) 基于视觉的尺寸和距离测量、瑕疵快速检测技术； 3) 目标探测中的多目标和多维信息融合技术； 4) 资源平台受限下的目标快速精确的检测识别及跟踪方法； 5) 深度网络模型优化技术； 6) 基于深度学习的硬件平台部署及嵌入式技术。 — - 28 1 - — 技术指标： 1) 在服装检测平台尺寸测量误差 1.5cm之内，完成测量和检测时间 2-3秒。 2) 在Jetson NX硬件平台上，单个小目标检测率在 map0.5时达0.98以上， map0.5-0.95，检测率 0.82以上。 3) 硬件平台上，目标检测速率达到 60fps，跟踪速率达到 45fps。