为了能更好地对手机数据接口的缺陷进行检测,提出一种基于Faster R-CNN的检测算法.将Faster R-CNN检测架构中的RoIPooling替换成RoIAlign,解决RoIPooling计算过程中2次量化造成的目标回归位置的偏差.使用ResNet50融合FPN的网络作为特征提取网络,提高模型对小型目标缺陷的检测效果.最后使用测试集进行预测,实验表明本文提出算法的均值平均精度(mAP)达到了91.17％,比使用VGG为特征提取网络时的mAP提高了24.72个百分点,比单独使用ResNet50为特征提取网络的mAP提高了2.58个百分点,因此,本文提出的算法对手机数据接口缺陷检测有显著的效果提升,为手机数据接口缺陷检测提供了一种更有效的检测方法.

随着智能植保机的广泛应用,其自主定位与导航要求更高,PS/INS组合导航系统存在遮挡物导致信号弱、民用型导航偏差较大局限性,基于激光的自主定位建图技术(SLAM)在现代农业大棚中有精度高、灵活性好等优点,但激光SLAM技术存在激光点云扫描不能准确区别目标农作物和其他障碍物,从而难以保障植保机运行轨迹的正确性.提出了基于激光SLAM技术、ROS系统融入深度学习的目标检测算法,以正确区分扫描目标物体,从而为基于SLAM技术的植保机提供了更为有效的导航方法,提高其工作效率.