最小二乘迁移生成对抗网络

现有的生成对抗网络（Generative Adversarial Networks，GAN）损失函数已经被成功地应用在迁移学习方法中。然而，发现这种损失函数在学习过程中可能会出现梯度消失的问题。为了克服该问题，提出了一种学习领域不变特征的新方法，即最小二乘迁移生成对抗网络（Least Squares Transfer Generative Adversarial Networks，LSTGAN）。LSTGAN采用最小二乘生成对抗网络（Least Squares Generative Adversarial Networks，LSGAN）损失函数，通过单领域判别的训练方式来减少领域分布之间的差异。通过研究表明，所提方法与其他有竞争力的算法相比较具有一定的优越性。     

基于机器视觉的水表抓取系统

目前国内对水表的检定多采用人工的检定方式,过程中存在许多重复人力操作,造成检定过程费时费力.为了解决这一问题,本文在水表检定过程设计了用工业机器人代替人工完成水表的检定工作,提出了一种基于机器视觉的水表抓取方法.系统通过YOLOv3网络对处于不同环境下的不同型号的水表进行检测,获取目标水表的型号和位置后再进行水表的位姿检测得到水表抓取点坐标与水表姿态角并控制机器人进行抓取.实验表明,该系统能在不同外界环境下实现不同型号水表的抓取和精确放置,具有较好的鲁棒性和较高抓取成功率,能够满足实际水表自动检定线上的水表抓取需求.