基于单片机的智能循迹小车设计

设计了一款速度快、运行稳定、循迹精度高的智能小车,首先利用5路光电对管采集路面信息;3路光电开关采集前方障碍物信息;然后,将获得的信息转化为能够被单片机识别的数字信号;最后,采用单片机为主控制芯片,根据路面信息,对直流电机进行脉宽调速,控制小车的行进、转弯和停止。由于5路光电对管分布在小车底盘的不同角度,提高了小车对不同弯度路径的判断能力,根据路径弯度调整PWM波形的占空比以达到控制小车转弯速度的目的,使小车准确沿既定路线自动行驶。实验证明采用该方法设计的智能小车在保证运行速度的前提下,可以提高循迹精度、减少漂移次数。     

一种快速的虹膜定位算法

虹膜定位是虹膜识别中的重要步骤.提高虹膜定位的速度、精度是有效地进行虹膜识别的重要前提.在现有的利用二值化方法分离瞳孔算法的基础上,基于眼睛的几何特性,提出一种虹膜定位算法,该算法首先通过寻找瞳孔所在的矩形区域来定位瞳孔的圆心、半径;然后根据瞳孔和虹膜近似同心的特性,利用圆形检测算子在小范围内搜索虹膜的外边沿,确定虹膜的圆心、半径.与传统虹膜定位算法相比,此算法易于实现,且减少了搜索的盲目性,可提高虹膜定位的速度.     

低DNL的SAR型模数转换器的设计

保证DAC中元器件的精度、减小DNL误差是提高SAR ADC性能的关键。通过对SAR ADC内部DAC的结构进行综合分析,针对传统的C-R混合式结构中的集总电容阵列进行了优化设计。电容阵列由相同的非集总的单位电容组成,并通过数字逻辑的控制来实现对单位电容连接点的选择。验证结果证明设计有效,ENOB、SFDR和SINAD等参数都得到明显的提高,保证了SARADC的单调性,实现了低DNL的SAR型模数转换器的设计。     

基于FFT计算线性离散卷积的一种算法

介绍一种利用快速傅里叶变换计算线性离散卷积的算法,给出了此算法的原理、数学模型、实现方法以及进一步减少计算量的措施等,仿真表明此算法与一般算法相比,在运算量方面优点明显。     

基于视觉显著性特征的乳腺肿块检测方法

提出基于视觉显著性特征的乳腺钼靶X射线肿块检 测方法:首先从局 部显著性、全局 显著性和稀少性三方面计算显著图,利用显著图加权增强目标;然后根据前景目标数迭代确 定分割阈值对 加权后图像阈值分割;最后将分割后的前景区域视为疑似肿块区域,利用融合显著性特征及 基于中心-轮廓 距离的肿块形态特征识别肿块。本文利用MIAS数据库中多幅的乳腺X线图像进行实验验证, 结果表明, 本文提出的方法能够准确地分割肿块区域,肿块识别准确性较高。     

胸部CT中肺实质的自动分割及粘连肿瘤检测

为了实现胸部CT图像肺区的完全自动分割与辅助诊断,提出了一种自动肺实质分割算法,即引入基于量子粒子群优化的二维直方图阈值分割算法结合3-D区域生长,通过分割背景及胸腔实现肺实质分割,并提出行扫描曲率分析法实现粘连肿瘤检测及左右肺分离.该方法有效解决了肺实质分割中高密度特征易丢失、边缘肿瘤易遗漏等问题.通过多组胸部CT序列图像的实验,证明该方法对于肺实质分割非常精确有效,与传统分割算法相比,在分割精度上有明显提高.     

12位电容电阻混合式SAR ADC IP核的设计

在深入分析逐次逼近型的模数转换器SAR ADC的基础上,对内置DAC和比较器的设计进行了优化,实现了一款适用于工业控制器的SAR ADC IP核的设计.芯核采用0.18 μm CMOS Mix_singal IP6M工艺,分别采用3.3 V的模拟电源电压和1.8 V的数字电源电压供电,仿真结果表明,该SAR ADC IP核实现了12 bit的精度.IP核的面积为800μm×420 μm,FF case下功耗为1.2 mW,微分非线性误差DNL＜0.5 LSB.     

MRI脑部图像头骨剥离方法研究

头骨剥离是脑组织分割过程中的关键环节.针对传统的MRI脑组织分割中头骨剥离速度较慢,分割精度不高的问题,提出一种基于水平集的头骨剥离方法.首先根据脑部图像灰度特征确定初始分割曲线,然后将曲线看成高维函数的零水平集,最后利用灰度和形态特征控制高维函数水平集演化,通过高维函数的演化确定曲线的演化,使曲线达到待分割图像边缘.对基于水平集的方法和现有的典型方法进行仿真,仿真结果表明该方法在分割精度上有明显提高.实验证明方法可精确地将脑部组织和非脑组织分离,达到头骨剥离的目的.     

基于MEMD和TK能量算子的肌电信号手势识别

为提高肌电信号手势识别的准确率,提出基于时频域分析的肌电信号特征提取方法。该方法利用无线肌电信号采集装置获得肌电信号,采用基于多元经验模态分解(multivariate empirical mode decomposition, MEMD)和TK(Teager-Kaiser)能量算子的肌电信号特征提取方法,利用多维尺度分析(multi-dimensional scaling, MDS)对多通道特征降维,采用线性判别分类器(linear discriminant analysis, LDA)对手势特征分类识别。将该算法应用于UCI数据库,手势识别准确率达98.96%,应用于自主采集数据库准确率达99.37%,同时F1 score具有明显提升。实验结果表明,与典型方法相比,所提出的肌电信号特征提取方法对手势识别的准确率更高。