基于多磁传感器的智能航向测定系统

为了实现在强磁干扰环境下准确且智能地测定航向角,从影响磁传感器测定航向角精度的诸多因素分析,采用经典的基于椭圆拟合的校正算法,设计了一种由6只磁传感器围成一个圆的多磁传感器的自动磁校正设备。提出了一种有效的误差补偿技术和准确、智能的测定航向角的方法,避免了手动旋转单只磁传感器来采集不同方向的磁场的操作。多次实验结果表明:在室内强干扰环境中,这种校正技术补偿后的航向误差从150°降低到2.5°。     

基于物联网的农业墒情监测系统的设计与实现

针对现有农业生产过程信息化程度不高的问题,设计一个能对农作物生长全过程进行实时监测的农业墒情监测系统,该监测系统包括前端信息采集站和后台处理软件两个部分。其中采集站能将感知层传感器采集到的数据通过GPRS无线通信技术传回后台,后台软件可以对数据进行持久化的存储和有效的分析,进而指导农业生产。为了保证所采集数据的准确性,减少异常值对后期数据分析与处理的影响,以大气温度传感器为例,采用Kalman滤波算法对其采集到的数据进行校正,分别将大气温度传感器直接采集到的数据与经Kalman算法校正后的数据同高精度标准温度测量仪测量的结果进行对比,发现后者的测量值更接近于标准传感器,且误差较小。     

基于Mask RCNN的目标识别与空间定位

在机械臂的自主抓取系统研究中,为了自动获取目标物体的空间位置,采用Kinect深度传感器采集RGB图像,利用改进的深度学习算法Mask RCNN对RGB图像上的目标进行识别与分割,并通过Kinect深度传感器模型,将二维图像坐标转换成三维空间坐标,对目标物体进行三维建模,达到空间定位的目的。通过大量数据训练的Mask RCNN算法,可以同时识别多种特征差异很大的目标物体,具有广泛的应用空间。经过实验表明,获得的目标物体的三维空间坐标较为准确,且受环境影响较小,对机械臂抓取系统的研究具有较为重要的意义。     

非对称图像特征位置误差参数求解校正方法

图像辐射强度值受到大气透过率的影响而发生改变，图像特征易发生几何失真，且特征的畸变于其几何位置具有复杂的非线性关系，导致特征位置误差校正难度较大。为此，提出基于深度学习的图像特征位置误差校正方法。将参数代入到图像灰度插值算法中，不断调整参数值，改善图像因非均匀、非对称造成的特征点模糊现象，提取得到图像的特征点位置。基于此，构建AlexNet学习结构，构建待校正误差图像模型和校正模型。利用牛顿迭代法对校正模型中的各项参数求解校正模型，实现对图像特征位置误差的校正。实验测试结果证明，研究方法的应用损失率在实验迭代次数达15次时降至5%以下，均方根误差始终低于0.8pixel,均方误差在实验迭代次数为50次时降至10^-4,说明研究方法可精准求出位置误差值和提高图像精度，校正前后图像间特征拟合程度高。     

嵌入式系统中CMOS图像传感器接口技术

提出了CMOS（互补金属氧化物半导体）图像传感器在嵌入式系统中的接口技术，通过设计软件驱动使嵌入式处理器能够控制CMOS图像传感器图像数据自动采集。并对CMOS图像传感器采集的数据进行插值和自动白平衡处理。此接口模块已经成功地应用于二维条码识读器的图像采集模块中，取得了良好的效果。     

虚拟图像特征融合误差控制算法仿真

为使VR图像呈现更大的视场角，需利用镜头反畸变方法优化图像视觉效果，此过程易发生特征畸变。为及时矫正特征畸变，提出VR图像特征融合误差半监督校正算法。提取图像特征，获取误差定位区域。在定位区域中预测特征融合误差。误差数据在支持向量机的辅助下，通过半监督式学习算法对分类器完成训练，分类所有误差特征，最终计算出每种误差的校正系数，实现VR图像特征融合的误差校正。实验结果表明，所提算法的校正准确率始终稳定在90%～100%,在100组迭代实验中所提方法的误差预测精度可达90%以上，校正所需时间更短，均值为0.20s。     

基于传统图像处理算法和YOLOv4的水位识别方法研究

水位监测是水利建设的重点问题,为及时掌握水情、预防洪涝灾害,提出了一种智能图像水位识别系统解决方案。对多种情况下的水尺图片利用传统图像算法进行图像预处理后,使用基于YOLOv4的深度学习水位识别算法,对采集的图像进行训练,实现水位自动识别。实验结果表明,基于YOLOv4的深度学习水位识别算法能够有效的通过水尺图像读取当前的水位,算法误差仅在1~2cm左右,符合工程水位监测误差要求。     

基于动态视觉传感器成像的行人检测算法研究

动态视觉传感器生成的图片中冗余信息较少,能降低对后端处理器的要求.然而,其成像与一般深度学习所用图像大有不同,现有的深度学习算法在该类图片上还有一定的提升空间.为此,针对其成像特点,提出了一个在该类图像上表现良好的深度学习算法.首先,选用Mobilenet-YOLOv3算法,并对其网络进行剪枝.其次,在网络中加入ResNet结构.通过在采集的数据集上实验对比,证明该方案大大地减少了对计算机算力的要求,其FLOPs值仅为原算法的1/5不到.并对检测效果有一定的提升,尤其在查全率上提升了8％.     

压阻式压力传感器实时自校正方法研究

目前的传感器误差校正方法,由于都是以传感器初始标定数据作为依据,从而随着使用时间的增加,传感器参数发生变化,其校正误差会逐步增大。针对这种情况,研究了用多基准恒流源模拟标准压力自动对传感器进行标定得到实时输出特性曲线,并据此求得测量压力。实验结果表明:该校正方法切实可行,若采用4个基准源校正,可在一定的温度和压力范围内实现0.15%的精度。     

深度学习在仿生眼监控系统中的应用

在视频监控系统中,由于受到复杂的背景、环境光线变化以及设备本身性能的限制,导致目标检测算法设计难度的加大,而传统的目标检测算法通常依赖于人工选择特征,难以从海量的数据中自动学习得到一个有效的分类器.基于深度学习算法,构建了一个卷积神经网络,并利用仿生眼视频监控系统中采集的人、车图像进行训练,在此基础上设计若干实验对深度学习网络特性进行分析,证明了训练集中各个类别样本的分布以及小样本训练的情况下对深度学习的训练结果会造成较大的影响.     

基于深度信息的移动机器人室内环境三维地图创建

针对使用扩展卡尔曼滤波(EKF）进行环境地图的创建对线性系统效果较好而对非线性系统的线性化受误差影响较大的问题,提出一种基于对Kinect采集到的环境数据和迭代扩展卡尔曼滤波(IEKF）算法的室内环境三维地图创建。该方法使用成本较低的Kinect传感器获取深度数据然后结合IEKF实现摄像头轨迹预测,最后利用最近点迭代(ICP）算法对深度图像进行配准得到室内环境三维点云图。实验结果表明,IEKF算法与传统的EKF算法相比,得到的轨迹更平滑、误差更小,同时所得到的三维点云图更加光滑。该方法实现了三维地图构建,较为实用,效果较好。     

深度卷积神经网络在图像识别算法中的研究与实现

深度学习是近些年来人工智能领域取得的重大突破,深度学习与传统模式识别方法的最大不同在于它所提取的特征是从大数据中自动学习得到,而非采用手工设计。现有的深度学习模型属于神经网络,文章引入深度卷积神经网络进行图像识别,该算法在对图像统一转换成固定尺寸后进行处理,具有局部感受野、权值共享和空间下采样等特点,可以有效地提取图像特征。文中使用Python爬虫技术采集的993张图像数据集,对该方法进行测试,平均识别率达到92.50%。实验结果表明,基于深度卷积神经网络的图像识别方法是可行的。     

基于CCD的图像采集处理系统的研究

以CCD作为图像传感器,以CPLD作为图像采集系统的控制核心,以DSP作为基本图像处理单元,实现了图像自动采集处理系统,完成了图像的快速采集、存储及数据处理。不仅对系统的硬件设计和软件设计进行了讨论,而且对应用的算法也进行了简单的介绍。     

嵌入式系统中CMOS图像传感器接口技术

提出了CMOS(互补金属氧化物半导体)图像传感器在嵌入式系统中的接口技术,通过设计软件驱动使嵌入式处理器能够控制CMOS图像传感器图像数据自动采集.并对CMOS图像传感器采集的数据进行插值和自动白平衡处理.此接口模块已经成功地应用于二维条码识读器的图像采集模块中,取得了良好的效果.     

天基光学传感器姿态实时校正算法

卫星在轨运行过程中,载荷姿态不可避免受到平台抖动、传感器热形变等安装误差因素一定程度的影响,导致图像定位精度下降。针对该问题,通过建立相应的安装误差状态转移模型和基于特征点的观测模型、采用扩展卡尔曼滤波（ EKF）,实现对安装误差的实时估计。采用基于特征点的天基传感器姿态实时校正方法,数学仿真表明：该方法能够实现姿态实时校正,且性能稳定,可有效提高图像定位精度。     

基于图像的自动驾驶3D目标检测综述——基准、制约因素和误差分析

从高分辨率图像中获取周边目标的精准3D位置和尺寸信息是实现自动驾驶控制和行为决策的基础,因此基于图像的3D目标检测是自动驾驶领域中的研究热点。已有学者对该领域方法论及成果进行了比较详细的综述,但对于导致现有方法检测精度不尽如意的制约因素未能进行深入系统的分析。考虑自动驾驶领域在工程应用方面的要求高,且现有方法以数据驱动类型为主,本文从常用数据集和评价基准、数据影响、方法论的制约因素和误差等角度,对学术界和产业界在3D目标检测方面的研究成果及行业应用进行较为系统的阐述。首先,从学术界探索成果以及自动驾驶行业的应用角度进行概要介绍。然后,从数据采集设备、数据精度和标注信息3方面详细分析总结了KITTI等4个通用数据集,并对这些数据集提出的主要评价指标进行对比分析。接着,从数据和方法论方面分析制约算法性能的主要因素及由此造成的误差影响。在数据方面,制约因素主要是数据精度、样本差异、标注数据量和标注规范;在方法论方面,制约因素主要包括先验几何关系、深度预测误差和数据模态等。最后,对国内外研究现状进行总结,并在数据集、评价指标和目标深度预测等方面提出了未来需要重点关注的研究方向。     

基于TOF深度图像修复的输送带煤流检测方法

传统的带式输送机煤流检测装置中,核子胶带秤存在一定安全和环保隐患,电子胶带秤检测精度易受输送带张力、刚度等因素的影响;而基于超声波、线激光条纹、双目视觉等技术的非接触式检测方法存在实时性差、测量误差较大等问题。提出了一种基于飞行时间(TOF)深度图像修复的输送带煤流检测方法。通过TOF相机获取输送带运煤图像;对TOF图像进行均衡化处理,采用帧差法和边界跟随算法去除背景噪声,获得感兴趣的煤料区域;针对TOF深度图像因边缘处存在飞行像素噪声与多径误差噪声而导致的边缘信息不准确问题,提出强度图像引导的深度图像修复算法,通过Canny边缘检测算法寻找深度图像和强度图像的相似边缘,基于强度图像的有效边缘信息对深度图像边缘处的不可靠数据进行校正,并进一步基于Navier-Stokes方程和中值滤波器得到高精度深度图像;对煤料区域进行像素级分割,并建立煤料体积计算模型,结合输送带速度得出输送带煤流。实验结果表明,该方法的检测误差不超过3.78%,标准差不超过0.491,平均处理时间为83 ms,满足实际生产要求。     

人体前景的自动抠图算法

在基于立体视觉的人体建模系统中,背景像素的移除可以减少不必要的立体匹配计算,提高人体模型重建效率.为此,在给定大量具有前景Alpha蒙板真值的人体图像作为训练数据的前提下,提出了一个端到端的深度学习网络,以实现系统采集图像中人体前景自动抠图.该深度学习网络包括2个阶段:人体前景分割阶段和人体前景Alpha抠图阶段.在人体前景分割阶段,采用Mask R-CNN网络中的目标检测和掩码生成2个负载,并结合训练数据进行迁移学习,得到了适用于人体前景二值化分割的模型网络.在人体前景Alpha抠图阶段,采用Encoder-Decoder网络架构实现Alpha蒙板的自动预测.首先引入核为5的非学习卷积层,以上一个阶段的二值化分割结果作为输入,自动得到三分图Trimap,再和人体前景训练数据一起作为此阶段抠图网络的输入;经过学习迭代,获得能够预测人体前景Alpha蒙板的模型网络.在实验部分,以单幅系统采集人体图像为输入,无需额外先验和人工交互,可以自动估计人体前景Alpha掩码结果.用户测试结果以及与其他方法的对比和分析证明了文中算法的可靠性和鲁棒性;同时,该自动抠图算法还对其他公开数据集的人体图像进行了掩码预测,实验结果表明该算法具有一定的泛化能力.     

基于多传感器的温室环境数据融合算法研究

无线传感器网络中采集的数据存在着较大的冗余与误差,影响数据的可靠性;而在温室环境监测中,对数据的准确性要求比较高。因此,为了提高多传感器采集数据的准确性,在研究了现有的几种数据融合算法以后,提出一种基于多传感器的综合数据融合算法。给出了采用格罗布斯准则消除粗大误差,并引入哈夫曼树的思想对数据进行项融合的方法。结果表明,该算法可以有效提高测量数据的准确性。     

印染错花在线智能监测系统的研究

针对目前圆网印花机对花技术的现状,提出了一种基于机器视觉技术的新型圆网印花机自动对花系统。该系统采用图像传感器实时采集印花过程中的花位标记图像,利用数字图像处理算法对采集到的图像进行处理分析,实时获取对花误差,并根据误差信号转化输出为控制信号,通过控制器控制、调节各印花网筒和整纬器的运行状态或参数,实现了印花精度的智能式检测与控制,提高了对花精度,进而提高了产品质量和工作效率。