异常情况下基于贝叶斯的多传感器融合方法

针对多传感器融合过程中异常测量数据的出现会降低数据融合质量的问题,提出了基于贝叶斯方法的一种多传感器数据融合方法,通过识别传感器间测量数据的不一致,在传感器数据融合前剔除异常数据,提高数据融合的精度.提出的方法在简单的贝叶斯方法上增加一项概率因子,以此表征测量数据为非异常事件的概率.在某只传感器输出数据与其他传感器不一致时,增加的因子项具有增加后验分布方差的效果.通过仿真实验对融合方法进行了验证,结果表明该方法能有效识别传感器数据间的不一致,融合精度得到一定提高.     

微风速流场数据采集与融合方法研究

在微风速(0～1 m/s)空间流场测量中,对传感器精度要求高,实时在线仪表数据精度不够,数据采集滞后性大;考虑采用多个传感器测量提高精度,但也存在数据融合的问题.针对微风速流场测量,提出基于K均值RBF神经网络的数据采集预处理软测量模型,首先选取中间变量(电流值),运用K均值聚类,用RBF网络训练得到单个传感器数据;提出基于相关性kalman滤波的传感器数据融合算法,剔除无效数据点,并融合得到精确风速预测值.测量实验和数据结果表明该方法处理的数据结果滞后性小,处理速度快,数据精度高.     

多传感器信息融合方法研究

本文简要地介绍了多传感器信息融合的研究背景,提出了一种基于小波域抽取多传感器信息的融合方法,并用MATLAB工具进行编程,在常见的位移速度模型上进行了仿真实验,例如加工刀具进给位置和进给速度的控制模型。得出了该融合方法优于传统的集中式和分布式信息融合方法的结论,可推广应用于工业生产控制过程中。     

基于IFWA-BP神经网络的线风速数据融合研究

针对时差法测量线风速受环境因素影响,导致测量结果不准确的问题,提出一种基于自适应烟花-BP神经网络(IFWA-BP)的数据融合方法。将线风速信息和环境信息进行数据融合,通过多源信息互补减小线风速测量的不准确性。自适应烟花算法是在烟花算法中引入自适应惯性权重,并对爆炸算子进行改进,增强了烟花算法的全局搜索能力,从而优化BP神经网络中的权值和阈值的寻优过程。为了比较IFWA-BP融合模型的融合效果,进行了多算法融合模型对比实验,实验结果表明IFWA-BP融合模型减小了线风速测量的误差,使线风速测量系统的精度达到了98.48%。     

基于KELM和多传感器信息融合的风电齿轮箱故障诊断

为提高风电齿轮箱的运行效率,降低风电场的运行维护成本,结合时域统计特征分析和多传感器信息融合技术,提出了一种基于灰狼优化核极限学习机(GWO-KELM)的风电齿轮箱状态监测新方法。首先,计算原始振动信号不同的时域统计特征参数,并采用并行叠加的方式对特征级和数据级进行信息融合以得到融合数据集。其次,利用融合数据集,建立了基于GWO-KELM的故障分类识别模型。最后,运用所提方法对QPZZ-Ⅱ旋转机械振动试验台齿轮箱实测数据进行状态监测,实例结果表明了该方法的有效性和可行性,与其他同类方法相比,所提方法具有最佳分类性能。     

基于 DaLSTM 组合模型的电动舵机故障诊断方法

为了实现电动舵机工作过程中多种故障的一体化诊断,提出了一种基于双阶段注意力的长短期记忆网络(DaLSTM)组 合模型的故障诊断方法。 首先,将电动舵机的多源传感器信号作为输入,采用基于输入注意力和时间注意力的长短期记忆网络 (LSTM)自适应提取原始多源传感器数据中的相关特征,并通过 DaLSTM 组合模型实现多源传感器的时间序列预测。 其次,在 故障诊断时间窗口内,以不同工作状态下 DaLSTM 组合模型预测值与采样值的差值最小为决策函数诊断电动舵机的故障类型。 最后,利用公开的美国国家航空航天局(National Aeronautics and Space Administration, NASA)数据集进行时间序列预测和故障 诊断实验,对故障类别的平均识别率达到了 98. 76%,证明了该方法的有效性。     

基于 Kalman-LSTM 模型的悬浮质含沙量测量

针对电容法测量河流含沙量过程中易受环境因素影响而导致测量结果不准确的问题，提出基于卡尔曼滤波和长短期记忆神经网络(Kalman-LSTM)的融合模型。先采用卡尔曼滤波器进行滤波处理，减小传感器测量的随机误差；再通过LSTM神经网络模型对含沙量信息和环境量信息进行多传感器数据融合，减小环境因素对电容法测量含沙量的影响；最后建立了电容法测量含沙量的Kalman-LSTM融合模型。为了验证Kalman-LSTM融合模型的融合效果，与BP模型、RBF模型和LSTM模型对比，比较各模型的均方根误差、最大绝对误差、平均绝对误差和平均相对误差。实验结果表明，Kalman-LSTM融合模型的平均相对误差为2.54%,均方根误差为2.47 kg/m³,该融合模型能有效降低环境因素对含沙量测量的影响，提高电容法测量含沙量的准确性。     

基于信息融合理论的光纤位移传感器研究

提出了一种解决光纤位移传感器对温度的交叉灵敏度问题的方法.该方法基于多传感器信息融合理论,通过增设温度传感器,将位移传感器和温度传感器的输出进行融合处理,实现了软件补偿,降低了交叉灵敏度系数,为存在交叉灵敏度的传感器的实用化设计提供了一种新思路.实验表明,融合处理后光纤位移传感器的温度灵敏度系数降为原来的1/3,测量准确度和系统稳定性均得到提高.     

基于朴素贝叶斯和D-S证据理论的多时空数据融合

针对泛在电力物联网中分布广泛的传感器以及各类设备采样周期不同的问题,本文提出一种基于朴素贝叶斯和D-S证据理论的多时空数据融合方法。该方法突出的优点是融合了多个时间段、多个不同地点传感器的数据。首先运用朴素贝叶斯分类器得到信度分配,克服了过去采用专家系统进行信度分配的缺点,然后运用D-S证据理论进行融合得到最终系统的状态评价,有效地将多时空数据进行融合。实验结果表明,本文提出的方法相比其他机器学习算法有了明显的改进,能够有效地评估系统的状态。     

基于直线检测的航向角误差校正方法

提出了一种基于直线检测模型的多传感器数据融合航向角随机误差校正方法,旨在提高农林环境下低成本传感器组成的定位平台的精度。该方法通过调整直线检测阈值来实现状态的动态调整,以提高导航系统的鲁棒性和精确性。再将多传感器数据通过卡尔曼滤波融合,实现航向角随机误差的校正。试验结果表明,该方法在不同路径和速度下能有效降低航向角误差提高定位精度。在直线行进试验中,本方法的定位精度保持在5 cm以内,航向角误差在5°以内。在矩形行进试验中,本方法的轨迹与差分RTK方法相近,平均误差仅为2.7 cm,标准差为3.9 cm。这一航向角校正方法为农业机械和车辆环境中的自主操作提供了有力支持。它能够适应不同的环境条件,提高导航系统的性能和测量准确性。     

基于TOF相机的喷涂工件在线三维重建

喷涂生产线轨迹规划和喷涂机器人自编程技术大都以工件的在线三维测量为基础。近年来TOF相机作为一种高性价比的3D成像设备,被应用于工件测量。针对TOF相机成像视场有限、单次成像只能获取局部轮廓深度信息等问题,提出一种基于工件在位旋转和图形处理器(GPU)加速的TOF点云视频流三维重建算法。该方法在有向距离函数(SDF)点云融合基础上,采用空间散列表存储管理海量点云数据,同时引入快速视觉里程(FOVIS)算法用于姿态估计,以提高喷涂工件在位三维重建算法的效率和鲁棒性。喷涂生产线仿真平台实验表明,在线重建过程中平均帧数可达58 f/s,失败率≤2%,显存占用率25%,为随后的三维测量和喷涂轨迹规划提供完整的点云数据。     

基于 2D 预处理的点云分割和测量研究

针对传统 3D 工业相机获取的点云数据进行工件检测时因工件粘连和噪声干扰导致边缘分割问题,考虑点云数据量大 影响检测实时性和 3D 特征点选取不准确导致测量误差大的因素,提出一种基于 2D 边缘检测的预处理方法,实现点云快速分 割和测量。 首先,采用改进的 Canny 算法对有序点云的纹理图像进行边缘检测,将检测后的图像进行数学形态学操作和轮廓检 测完成纹理图像分割,规避了在 3D 空间中进行分割处理,有效减少了点云数量;其次,结合工件的形状特征和放置方式,利用 掩膜操作提取出有序点云数据,使用基于 RANSAC 和条件滤波结合的方法对分割后的点云进行自适应阈值滤波处理,有效去 除了噪声点云;最后,对经过预处理后的目标点云基于 PCA 的包围盒去计算工件尺寸以及表面法向量。 实验结果表面,和传统 的 3D 分割算法相比,能够更准确的提取出目标点云,有效减少了待处理点云数量,整体分割效率提高了约 20%;工件尺寸的平 均相对误差约 1. 24%,可以满足测量的需求。     

基于 4PCS 和 SICP 的点云配准方法在钢轨磨耗计算中的应用

针对基于三维结构光扫描的钢轨磨耗快速精确测量,本文提出了一种基于 4PCS(4-points congruent sets)和 SICP( sparse iterative closest point)的点云配准组合算法,用于快速精确配准不完整且含噪声的磨耗钢轨与标准钢轨点云。 由于三维结构光 设备一次扫描得到的磨耗钢轨数据是不完整且含噪声的,因此首先利用针对低重叠率点云配准鲁棒性较好的 4PCS 对钢轨点 云进行粗配准,为精确配准提供较好的初始变换矩阵。 然后,再利用针对含噪声点云配准鲁棒性较好的 SICP 进行精确配准。 最后,根据精确配准结果计算出轨头磨耗。 文中定量分析了不同程度降采样对配准精度、时间及轨头磨耗计算精度的影响,展 现了 4PCS+SICP 在快速精确配准不完整且含噪声的钢轨点云的优越性,得出了不同程度降采样对轨头磨耗计算精度无影响的 结论。 与此同时,对钢轨点云含不同程度的噪声点云配准做了定量对比分析,验证了 SICP 在含噪声的磨耗钢轨点云精确配准 中的鲁棒性。     

融合相机与激光雷达的目标检测与尺寸测量

针对三维场景下的目标检测与尺寸测量任务,设计了一种融合激光雷达和相机传感器的三维目标检测和尺寸测量算 法。 使用基于卷积神经网络的二维目标检测器提取目标的二维检测框,结合图像中的二维检测框和几何投影关系获取包含物 体的三维视锥点云,由欧氏聚类方法获得物体的聚类点云,实现了物体的三维目标检测。 提出了基于目标二维检测框的改进尺 寸测量方案以替代原有点云聚类后得到的三维框信息,提高了物体尺寸测量的精度。 在现有数据集上评估测试了目标检测与 尺寸测量的精度,实验结果表明,二维目标检测器 YOLOv7 在检测数据集上的平均检测精度达到了 81%,改进尺寸测量方案在 物体尺寸测量时的测量误差在 5%以内,对于较远物体或较小物体的目标检测和尺寸测量也具有很好的效果。     

DAISY 和 LBP 描述符结合的三维点云粗拼接方法

针对三维点云拼接需借助点云信息几何特征的问题,采用 DAISY 描述符和 LBP 描述符结合的方法提取相邻测量站位 重叠区域图像特征,解算出相邻测量站位坐标系之间的位置变换矩阵,从而将多测量站位的三维点云数据初步转换至同一坐标 系中。 首先,介绍了边缘检测和 DAISY 描述符的构建;然后,通过欧氏距离对相邻图片特征点进行匹配,根据匹配点之间的关 系解算出不同站位下的坐标转换关系。 实验结果表明,该方法在不使用其他辅助工具的前提下可以较好实现三维点云数据粗 拼接,为点云拼接技术在三维重建和逆向工程等领域的应用提供了理论依据。     

基于激光点云数据的地形地貌测量研究

针对在实际测量地形地貌时激光数据过滤误差较大的问题,设计了基于激光电云数据的地形地貌测量及处理方法。采集激光点云数据,结合公共标靶法与最小二乘法补全点云数据且自动过滤非地面数据,对激光点云数据的平面坐标与高程实施转换,生成待测区域的地形地貌等高线,实现该区域的地形地貌测量。通过实验验证设计方法性能,结果表明,该方法可实现分散站点激光点云数据的拼接与过滤处理,过滤性能稳定且过滤误差较低,平均为2.1%,可精准测量实验地区的地形地貌,坐标值误差平均为0.187,满足实际应用中的地形地貌高精度测量需求。     

基于无人机载LiDAR的输电线路树障单木识别

树障是高压输电线路在复杂山区植被茂密区域运行所面临的主要安全威胁之一,不同树种生长周期不同,一定时间内的树障风险也不同。为了大范围准确识别林区的树木种类,文中提出了一种基于机载雷达测量技术的树木种类快速识别方法。首先利用机载雷达对输电线路地区地面进行快速点云数据获取,并且预处理数据得到单棵树木的冠层点云;随后建立冠层的空间属性点云特征量,包括树冠高度、树冠体积、树冠点云密度、冠层激光反射强度以及树冠形貌特征;最后根据树木的空间点云特征建立树木的种类K均值聚类识别模型。结果表明：对于该地区生长的树木,5种空间点云特征具有良好的识别效果,最终建立的树木种类K均值聚类识别模型对于验证数据的准确率达到了85.9%,Kappa系数0.812。输电线路下方植被种类的快速识别对于树障风险评估和预警具有重要意义。     

车辆曲面重构中点云精简算法的研究与改进

为了解决车辆点云数据曲面重构效率低和精简后数据重构模型质量差的问题,提出一种改进的点云精简算法。基于kd-tree建立散乱点云数据的空间索引结构并获取每个数据点的k邻域索引;提出基于快速识别边界线的精简算法避免精简过程边界数据丢失,确保获得真实的车辆曲面重构模型;对非边界点邻域进行区域分类,并根据分类选择性保留邻域数据,以提高点云数据处理速度并减少内存开销。在实现了算法的程序设计及仿真实验的基础上,完成了基于三维激光扫描车辆外廓尺寸测量系统平台的实车实验。实验结果表明,改进后的精简算法程序最大限度地保留了车辆点云的的边界特征和细节形状,改善了车辆点云曲面重构模型质量;数据处理中能够精简45%~70%的车辆点云数据,加快了系统重构的速度,提高了车辆外廓测量的性能。     

基于双目视觉的车辆外廓尺寸测量方法

针对目前车辆外廓尺寸测量成本高、安装复杂且三维轮廓重构质量差的问题，提出了基于双目视觉的车辆外廓尺寸测量方法。该方法首先对双目相机采集的车辆图像对进行校正，并通过改进后的立体匹配算法计算生成车辆视差图。基于双目视觉三维测量原理解算车辆轮廓视差信息进行三维重构，生成车辆点云。针对相机盲区车辆轮廓数据缺失问题，设计了基于车牌识别的点云对称修复方法，生成完整车辆三维轮廓。实验结果表明，3种车型的测量示值误差均小于1%，车辆模型重构完整度高。     

面向结构件几何特征保留的点云精简方法

汽车结构件表面几何特征测量时,传统的点云精简方法在高精简率时会对点云中的几何特征进行破坏,降低几何特征 的完整性和尺寸精度,针对此问题,提出一种面向几何特征保留的点云精简方法。 首先,基于空间区域分割思想进行点云的 Kmeans 聚类划分,并构建几何特征描述子,通过计算簇内信息熵提取特征区域点云。 其次,对特征区域点云进行基于 FCM( fuzzy C-means)& K-means 的迭代聚类精简,对于非特征区域点云进行八叉树精简。 最后,对不同区域精简后的点云进行拼接,实现 精简的目的。 结果表明,本文方法能较完整地保留模型表面的几何特征,避免孔洞的出现,且在 94. 30%精简率下,精简点云与 原始点云的最大误差为 0. 912 mm,均方根误差为 0. 041 mm,相较于传统的方法精度更高。