基于模糊控制的快速自动安平激光扫平仪

研制了一套全新的自动安平机构,以解决传统激光扫平仪无法同时兼顾安平精度、范围和速度的问题。首先,改进了传统自动安平仪器中的倾角传感器,设计了一种带有补偿环节的电子水泡以满足仪器的精度要求;其次,基于PID控制方法设计了用于实现仪器自动安平的闭环控制系统,同时引入模糊控制思想,使其达到了仪器自动安平的速度要求;最后,优化了仪器机械结构,有效增大了仪器的安平范围。实验测试结果表明,该扫平仪在-10°～+10°的安平精度达到10″,且自动安平时间小于10s。传统的激光扫平仪相比,设计的安平仪具有安平精度高、扫描范围大和安平速度快等特点。     

多功能墙体探测仪的设计方法

针对墙体中水管、电线、金属物体的探测问题,设计了3种无源传感器,并设计了相关数据处理方法以确定被测物体的中心位置.利用PCB覆铜,制作了用于探测水管的电容极板以及用于探测电线的金属天线.建立了水管检测模型,得到输出信号随被测物体位置的变化规律.基于差分探头模型,提出了一种利用PCB线圈作为敏感单元的金属探测方法,通过数值计算,保证了差分线圈的平衡.最后,针对上述传感单元,设计了被测物体的中心检测算法.测试数据表明,各传感单元均具有较大的探测深度,中心检测误差均在合理范围之内.     

基于改进YOLOv2和迁移学习的管道巡检航拍图像第三方施工目标检测

针对传统目标检测算法应用在无人机航拍图像上第三方施工目标检测和违章占压建筑检测的数据集少、检测率低等问题,提出基于Aerial-YOLOv2和迁移学习的航拍图像目标检测算法。首先,利用结合数据增强的迁移学习策略训练的网络来扩大数据集规模,并利用K均值聚类分析得到符合所提数据集特点的锚点框数量和尺寸;其次,通过自适应对比度增强的方法对图像进行预处理;最后,提出改进卷积模块替代YOLOv2中的卷积块并结合特征融合的多尺度预测方式进行目标检测。用不同的算法和训练策略在无人机航拍图像上进行对比实验,实验结果表明,Aerial-YOLOv2算法结合多种训练策略后,其准确率、召回率分别能达到95%、91%,每张图像检测时间为14 ms。由此可知,该算法适用于无人机航拍图像第三方施工目标及违章占压建筑的智能检测。     

基于颜色与边缘融合的非局部立体匹配算法

针对基于最小生成树的非局部算法在无纹理以及边缘区域出现误匹配的问题,提出了一种改进代价计算和颜色与边缘融合的非局部立体匹配算法。首先重新构造了基于颜色-梯度的代价计算函数,以提高无纹理区域像素对代价聚合的贡献率;其次利用颜色与边缘信息进行融合来构造自适应边权函数,并利用该权重构建树结构进行代价聚合;最后通过视差计算和非局部视差优化得到最终的视差图。在Middlebury数据集上进行了测试,实验结果表明,提出的算法在无纹理及边缘区域都取得了良好的匹配效果,有效地改善了视差。     

基于NCS2神经计算棒的车辆检测方法

基于深度学习的车辆检测方法准确率较高,其在性能卓越的计算机与图形处理器设备上实时性较好,但在性能相对较低的嵌入式设备上实时性较差。在改进Tiny-YOLO网络的基础上,提出一种利用NCS2神经计算棒的嵌入式车辆检测方法。采用深度可分离卷积替换Tiny-YOLO网络标准卷积降低计算量,去除池化层并使用全卷积层以保留低级特征信息,采用Tensorflow深度学习框架训练改进的Tiny-YOLO网络,并将其部署到配备NCS2神经计算棒的嵌入式设备上。实验结果表明,与原始Tiny-YOLO网络相比,改进Tiny-YOLO网络检测实时性提高1倍,在MS COCO和VOC2007数据集上平均检测准确率分别提升1.12和0.23个百分点,配备NCS2神经计算棒后该方法检测的每秒传输帧数达到12,实时性较原始Tiny-YOLO网络大幅提高。     

注意力机制下的多阶段低照度图像增强网络

对于低照度图像增强过程中,因图像内容重叠且部分区域亮度差异较大导致的图像细节丢失的问题,提出一个注意力机制下的多阶段低照度图像增强网络。第一阶段利用改进的多尺度融合模块对图像进行初步增强;第二阶段利用第一阶段增强后的图像信息与本阶段的输入进行级联,并将其结果作为该阶段多尺度融合模块的输入;第三阶段利用第二阶段增强后的图像信息与该阶段的输入级联,并将其结果作为该阶段多尺度融合模块的输入。这样利用多阶段的方式完成自适应的亮度提升和细节的保留。在公开数据集LOL和SICE上的实验结果表明,相较于MSR算法、灰度直方图均衡化（HE）算法和RetinexNet等算法和网络,所提网络的峰值信噪比（PSNR）的数值提高了11.0%～28.9%,结构相似性（SSIM）的数值提高了6.8%～46.5%。所提网络利用多阶段和注意力机制实现低照度图像增强,有效解决了图像内容重叠和亮度差异大的问题,得到的图像细节更丰富,纹理更清晰,主观辨识度更高。     

基于超定方程组的相位激光测距解模糊算法

快速准确的测距解模糊算法是相位式激光测距仪实现快速测距的关键问题。研究了一种基于超定线性方程组的相位测距解模糊算法,该算法避免了对最优解的搜索,因而运算量小、求解速度快。首先使用差频测相法在较大的不模糊距离上捕获到目标,获得近似距离值,然后使用这一距离值准确求解出不同频率调制波之间的周期数之差,从而构建超定线性方程组,最后应用最小二乘法求解出准确距离。同时还对该算法的2种解法进行计算机仿真,比较仿真结果,选取用间接法求解目标距离,并对该解法进行了精度分析。对3台K-60系列激光测距仪在精度为0.18 mm的国家标准基线上进行了测距试验,结果表明,3台样机的平均测量误差小于2 mm,测量标准差小于1 mm,验证了该算法是有效的。     

卷积神经网络的贴片电阻识别应用

贴片电阻由于其体积微小、性能稳定等独特的性质,在当今智能化的电子设备中被广泛使用。为保证贴片电阻的出厂质量,需要对其进行缺陷识别、极性方向识别、正反面识别和种类识别,目前很大程度上依靠人工肉眼进行识别检测,效率低、容易误检、成本高。本文针对传统图像识别方法的局限性,结合近年来卷积神经网络在图像识别方面所取得的巨大成就,基于AlexNet模型、GoogLeNet模型、ResNet模型思想设计了3种深度适宜、可训练参数约4×10⁶（百万）的卷积神经网络,克服了当前主流卷积神经网络模型由于可训练参数过多、模型层数太深导致在贴片电阻识别应用中识别速度不能满足实时性要求、泛化识别准确率低的问题。实验表明,3种模型的识别准确率均超过90%,最高识别准确率达到95%,识别速度达到0.203 s/张（256像素×256像素,CORE I5）。因此,本文设计的3种卷积神经网络可根据具体实际需求进行选用,在实践中具有极强的可行性和可推广性,同时也在提升企业生产效率和产品质量方面具有重要意义。     

残差卷积注意网络的图像超分辨率重建

针对极深神经网络图像超分辨率重建过程中,存在图像特征提取少、信息利用率低,平等处理高、低频信息通道的问题,提出了残差卷积注意网络的图像超分辨率重建算法。构造多尺度残差注意块,最大限度地提高网络提取到多尺寸特征信息,引入通道注意力机制,增强高频信息通道的表征能力。引入卷积注意块的特征提取结构,减少高频图像细节信息的丢失。在网络的重建层,引入全局跳远连接结构,进一步丰富重建的高分辨率图像信息的流动。实验结果表明,所提算法在Set5等基准数据集上的PSNR、SSIM比其他基于深度卷积神经网络的方法均明显提升,验证了提出方法的有效性与先进性。     

一种基于GA-NSVM的自适应洛伦兹分峰拟合识别红外光谱吸收重叠峰的方法

提出一种基于遗传算法-非线性支持向量机的自适应洛伦兹分峰拟合识别红外光谱吸收重叠峰的方法。利用单质特征吸收线型的根本性差异,将混合物光谱分解为满足特征吸收线型的多个洛伦兹单峰,采用非线性支持向量机对多个拟合单峰进行多分类筛选确定特定目标组分的谱峰。采集了400个混合烷烃气体样本的红外光谱数据,论证了该方法在高相似分子结构的光谱识别分类的可行性。实验结果表明该方法能有效分离烷烃中甲烷、乙烷、丙烷的红外吸收单峰,具有良好的准确性和鲁棒性,模型参数的解释能力更强。该方法能够加速光谱检测技术在生物制药、食品化工、油气勘探等领域的应用,尤其是在含同系有机物混合物的分析及应用场合。