基于YOLOv3的医药玻璃瓶缺陷检测方法

目的为了准确而快速地自动检测医药玻璃瓶的外观缺陷。方法基于YOLOv3算法,建立深度卷积神经网络学习检测模型,通过将神经网络结构浅层和深层特征向量连接并标准化,提取玻璃瓶多尺度特征信息。采用K-means聚类方式获得锚点框初始大小,提高模型对边界框预测的准确性;利用多尺度训练策略,增强模型对不同尺寸图像的鲁棒性。结果实验结果表明,提出的医药玻璃瓶缺陷检测方法能够准确检测识别玻璃瓶上的管端残损、气线、气泡、划伤、污渍和结石等缺陷种类。与主流的目标检测方法相比,提出的方法在处理速度和准确度上都有提高,缺陷目标检测精确率达到96.23%,召回率为93.82%,平均精度为89.35%。结论该方法已经在国内几家大型医药玻璃包装生产公司成功应用,显著提高了医药玻璃包装产品的质量和合格率,降低了人工成本。     

药用玻璃瓶印刷字缺陷检测的算法研究

药用玻璃瓶在传送的过程中可能会发生平移、旋转或者受到噪声的影响,目前药瓶印刷字还没有有效的方法来检测。为了准确的检测出印刷字的缺陷,比较了两种检测的方法：Harris与归一化互相关 (NCC)相结合的匹配方法、SIFT(scale invariant feature transform)与欧氏距离相结合的匹配方法。将这两种方法应用到药瓶印刷字检测系统中,选出最有效的方法。实验结果表明：与Harris相比,SIFT方法能够更准确地提取图像的特征点,且与欧氏距离相匹配的正确匹配率高,可达到理想的实验效果。     

基于图像配准的药用玻璃瓶印刷字缺陷检测

目的准确检测出药瓶印刷字的缺陷。方法采用目前流行的SIFT特征点提取算子,选用欧氏距离进行初匹配,RANSAC进行精确匹配。结果药瓶在传送过程中不管发生怎样变化,都能被检测出其印刷字的缺陷,成功剔除不合格药瓶。结论实验结果表明该方法能够精确地提取图像特征点,准确地匹配图像特征点对。     

基于超分辨率和深度神经网络的车型识别

车型识别在视频监控系统中起着关键作用,文中利用深度神经网络和超分辨率来实现交通监控中的车型识别。利用深度卷积神经网络CaffeNet,并采用先进的深度学习框架CAFFE和具有强大计算能力的GPU来完成对车辆的车型识别。在图像预处理阶段,采用一种基于深度学习和稀疏表示的图像超分辨率(SR)重构算法,来增强图像的细节信息。其中首先基于深度学习模型自编码器,提出一种改进模型非负稀疏去噪自编码器(Nonnegative Sparse Denoising Auto-Encoders,NSDAE)来实现字典的联合学习,然后基于稀疏表示实现车辆图像的超分辨率重构。经实验验证,在加入超分辨率处理之后,车型识别效果在精确度上得到了明显的提升。     

基于测地曲线约束函数映射的三维模型等距配准

针对三维模型之间的等距配准问题,基于函数映射框架,提出了一种测地曲线约束能同时检测同方向和对称方向2个等距配准的方法.首先,计算模型上的2组对称点对,进而建立2个模型间同方向和对称方向上的4组对应点对;其次,理论上证明2个模型上4组对应点之间的测地曲线是等距配准的,进一步利用以上4组对应点对得到配准的6组测地曲线对;最后,将以上测地曲线作为几何描述子约束添加到函数映射框架中,可以同时求解三维模型间同方向和对称方向上2个等距配准.同时从理论上证明镜面型内蕴对称对应的函数映射表示矩阵是对称正交的,并将其作为表示矩阵的正则化项添加到基于测地曲线约束的函数映射框架中检测三维模型内蕴对称.在公开的非刚性三维模型数据库的实验结果表明,所提方法在三维模型等距配准和内蕴对称上的测地距离误差小于以前的工作.     

基于滑模控制的室内移动机器人路径跟踪

由于轮式移动机器人的运动受限性质,其轨迹跟踪成为控制领域的研究热点;Pioneer3-AT是一个高度灵活的差分驱动的机器人,具有良好的通用性和可靠性,特别适合于移动机器人学术研究;为解决一种可以在室内环境下执行任务的移动机器人的路径跟踪问题,以Pioneer3—AT移动机器人平台为原型机建立了移动机器人的数学模型;滑模变结构控制对被控系统的不确定性、外界扰动及参数摄动具有完全鲁棒性,利用特殊幂次函数构造一种新型滑模控制趋近律,采用该趋近律设计滑模控制律,进而提出一种新的滑模控制方法,利用李雅普诺夫定理证明了该方法的稳定性;采用所设计的滑模控制器对室内移动机器人进行路径跟踪实验,仿真结果验证了该方法的有效性。     

初始抓取角度可调节的仿生变掌机械手设计

变掌机械手在一定程度上解决了固定掌机械手存在的抓取范围有限、抓取模式单一等不足，促进了多指机械手的发展。但现有变掌机械手主要采用单一的变位控制或转位控制进行设计，抓取性能仍存在局限性，无法兼顾尺寸适应性和形状适应性。为了解决上述问题，设计了一种初始抓取角度可调节的仿生变掌机械手，在三维设计软件中进行了机械建模，并详细分析了其结构组成。该仿生变掌机械手具有三条模块化手指支链，通过手指支链的变位控制与转位控制实现机械手初始抓取角度的调节，并对变位控制与转位控制的实现过程进行了分析。最后，构态变换仿真结果表明，所设计的仿生变掌机械手能够通过变位控制和转位控制构成不同的抓取构态，利用二指或三指实现对尺寸、形状各异的物体的包络、握持、捏取等抓取模式，增强了变掌机械手对物体尺寸和形状的适应性。