基于机器视觉的货车轮对踏面异常磨损监测方法

为实现对轮对踏面磨损的准确监测,提出基于机器视觉的货车轮对踏面异常磨损监测方法.结合监测原理采集货车高清图像,将图像转换成灰度图像,通过背景差分方法剔除多余背景,只保留货车轮对图像,将灰度图像转换成二值图像,分割图像内具有特殊含义的不同区域,得到轮对局部踏面信息.运用Canny算子提取图像中货车轮对的踏面边缘,构建灰度空间,依靠灰度共生矩阵映射图像在灰度空间的分布状况,得到可疑区域图像.使用垂直或水平的扫描线对可疑区域图像扫描,若局部区域超出设想阈值,则证明该点为异常磨损点.实验结果证明,所提方法得到的局部图像较为清晰,能够以最小的误差识别货车轮对的异常磨损区域.     

基于计算机视觉技术的电力指针表自动读数识别研究

本文详细介绍了电力指针表自动读数识别的有关算法,通过计算机视觉技术与查表法相结合的方式实现高精度的读数判别,在不需要调整相机位置的情况下大幅提高了读数识别效率,研究结果可广泛应用于电力、机械、医疗等行业.     

机载LiDAR输电线路杆塔快速定位方法研究

杆塔位置是机载激光雷达电力巡检应用中进行输电线路点云分段、杆塔提取、变化检测的基础。为了提高其自动定位的精度和效率,提出了一种适用于复杂地形的高压输电线路杆塔自动定位方法。首先在分析了输电线路点云相对高度、垂直和水平分布特征基础上,采用格网预处理剔除低位点格网、聚类分析确定候选类簇,然后利用格网垂直连续分布系数、高程分布系数和凸包系数等识别杆塔点所在格网,并以邻近格网中心作为杆塔水平位置。实验结果表明：相比前人的方法,算法的杆塔定位精度提高了11.7%,查准率和召回率分别提高了50%和20%,尤其是在地形起伏大且不连续的情况下具有较好的普适性。     

基于深度负相关学习的室内WiFi指纹定位技术

本文提出了一种新的基于深度负相关学习的WiFi室内定位模型.通过负相关学习约束,多个学习器能学习到不同的表征特性,从而有效降低模型的过拟合,并极大地提升其泛化能力.同时该模型将负相关学习方法应用到去噪自编码器和回归预测器上,并利用深度学习方法使其很好地适应随环境和时间变化的RSSI信号,提高了在长时间间隔内的定位性能.利用负相关学习方法使定位模型在初始时候的平均定位误差从1.57 m下降为0.77 m,60 d平均定位误差也仅为0.89 m,误差仅仅只增加0.12 m,验证了负相关学习能够削弱环境变化对定位的影响.     

基于RGB-D相机数据的SLAM算法研究

提出了一种基于RGB-D相机数据的同时定位与地图构建(SLAM)算法系统,实现对RGB-D数据的快速和准确构建.首先在RGB图中提取较好鲁棒性的SURF特征,结合使用快速最近邻近似(FLANN)来完成特征点匹配的方式,再使用基于改进的最小距离与随机采样一致性(RANSAC)组合的方法剔除误匹配,然后使用PNP求解相邻帧间的相机位姿变换关系,后端的优化使用G2O(general graph optimization)来优化全局位姿,并使用回环检测消除累计误差.实验证明该方法具有有效性和可行性,能够迅速、准确地构建出三维稠密地图.     

基于改进YOLOV3算法的斜拉桥拉索表面缺陷检测方法

针对人工检测斜拉桥拉索表面缺陷效率低、危险性高、鲁棒性差、检测效果主观性强等问题,提出改进YOLOV3算法进行斜拉桥拉索表面缺陷自动检测方法。首先,采用K-means聚类算法获取适合拉索表面缺陷特征的先验框尺寸;然后,削减主干特征提取网络中的残差块数量,提高网络检测效率,通过在特征金字塔内添加SPP结构,融合不同感受野的显著特征提升网络对多尺度特征信息的适应能力;最后,将IOU进化成为CIOU作为预测框回归损失,提高定位精度。针对分类效果较差的问题,增大分类损失在总损失中的权重,提高分类精度。测试结果表明,改进YOLOV3算法mAP达到93.7%,FPS指数为17,满足拉索表面缺陷检测精度和实时性要求。     

基于多通信半径和麻雀搜索的节点定位算法

针对现有无线传感器网络中节点定位算法精度低的问题,提出了一种LSSA-DV-hop算法。在此算法中引入了多通信半径的概念细化节点跳数,对多跳情况引入修正因子,对跳数进行修正。将定位问题抽象为函数寻优问题,使用麻雀搜索算法寻求函数最优解。同时针对优化算法在寻优过程中存在的易陷入局部最优解、种群多样性减少的问题,引入Levy飞行并添加动态递减因子在使其在前期有较好的全局搜索能力,在算法后期有较强的局部寻优能力。仿真结果表明,与经典DV-hop算法及现有改进算法相比提出算法定位误差平均值降低了51.42%和32.97%,定位精度更高。     

基于多视角聚类的WiFi指纹定位方法研究

为了解决在基于聚类方法的WiFi指纹定位中视角单一所导致的定位精度较低的问题,提出了基于多视角聚类的WiFi指纹定位方法.利用阈值-均值滤波方法对原始数据进行处理;结合K-means聚类算法对多视角信号(信号强度和位置)进行区划,并建立离线指纹库;使用基础分类器对实测信号分类,待测信号依据分类结果在其所属区域内估计K个邻近信号点,用近邻以及相应的权重值综合确定该信号的实际位置.通过对比实验分析可知,在考虑多视角的情况下,WiFi指纹定位精度在4 m以内的概率为83％,相比于单视角聚类的定位精度提高了12％.结果表明,该方法提高了定位精度,也为定位领域的研究提供了多元化思路.     

基于RSSI高斯滤波的人工蜂群定位算法

基于接收信号强度指示(Received signal strength Index,RSSI)定位易受到环境影响.为此,提出基于RSSI高斯滤波的人工蜂群定位(RSSI Gaussian Filter-based Artificial Bee Colony Localization,RGBL)算法.采用高斯滤波对收集的RSSI值进行处理,剔除误差较大的RSSI值,保留精度较高的RSSI值,再利用这些RSSI值测距,降低测距误差;基于测距误差建立目标函数,再利用人工蜂群算法求解目标函数,实现节点的定位.仿真结果表明,提出的RGBL算法降低了归一化平均定位误差,提升了收敛速度.     

基于FCM聚类和卷积神经网络的跌倒识别算法

为了提高传统跌倒检测系统的识别准确度和运算速度,减小误报率和漏报率,本文提出了一种基于模糊C均值（Fuzzy C-means, FCM）聚类算法和卷积神经网络算法的实时跌倒检测算法。该算法以深度视觉传感器为数据获取源,提取聚类中心点速度、高度、加速度以及夹角为跌倒识别特征向量,采用阈值分析和机器算法相结合的方式实现人体跌倒识别。实验表明,该算法的识别精度达到99%,运算速度为0.178 s,相对于传统算法具有更高的识别精度和运算速度。