机械手姿态识别的立体视觉匹配

为了提高机械手姿态识别的精度,提出了区域边缘线段立体匹配算法。该算法利用图像中包含边缘线段区域的颜色特性和边缘线段的几何特征进行线段匹配,其中,区域的颜色特征包括边缘线段的左右颜色和梯度方向,边缘线段的几何特征包括长度、方向和角度。由于充分利用了图像提供的颜色信息,特别是颜色梯度方向信息,使得边缘线段的匹配不仅依靠其自身的几何特征(如长度,方向和位置),而且依靠直线段所在图像区域的所有信息。因此,匹配的判据可以做得更准确。使用该算法进行机械手姿态识别实验,结果验证了该算法能够在复杂背景下识别机械手的姿态,识别精度高,其相对误差达到1.7%,该结果满足机械手在姿态识别中的精度要求。     

双目立体视觉测量模型与同名点匹配研究

根据几何成像原理建立起双CCD立体视觉系统的数学模型,但是立体视觉测量中同名点的准确匹配始终是一个难题.利用基于区域匹配的方法,在使两CCD关于XZ平面绝对对称,即同名点在OXYZ坐标系下x值相同的前提下,提出了一种将二维面上平移范本转变为在一维线段上平移范本进行同名点识别的方法,解决了区域匹配方法计算量大的问题,提高了同名点匹配的速度和精度.     

双目立体视觉测量方法研究

提出了一种简易快速的特征点提取算子，并与经典算法作了实验对比，证实了所提算法简单、有效、可靠，对外界光照条件具有较强的适应性，且抗干扰能力强。在进行特征点匹配时，在现有约束条件的基础上，提出了基于被测物体形态与摄像机相对位置的视差范围约束，根据视差方向性并采用动态搜索方法来缩小匹配点的搜索范围，从而提高了搜索速度，降低了错误匹配概率。通过对具有已知三维坐标标准件的计算机仿真实验，证实了所提出的特征点识别与提取及匹配方法是切实有效的。     

基于边缘的模板匹配在零件检测中的应用

对机器视觉在工业零件检测中的应用做了研究。在大批量的工业生产中,某个细微零件的缺失如果不应用机器视觉系统,将会浪费很大的人力物力,因此根据现阶段工业零件检测对智能零件缺失检测的需求,运用图像处理技术,在检测对象的标准样本中截取模板,利用零件的边缘特征,进行零件的模板匹配,进而检测出零件是否缺失。     

基于多尺度多方向相位匹配的立体视觉方法

立体视觉是图像处理领域的一个重要分支.在阐述立体视觉原理的基础上给出了一种多尺度多方向的图像立体匹配方法.利用左右摄像机的投影矩阵得出空间点的三维坐标与两台摄像机的像平面二维坐标的映射关系,并进而得出由两个像平面坐标直接求取空间三维坐标的方法.通过把图像进行复数小波变换,把图像分解成多尺度的不同方向上的复值子图.并通过一个由粗及细的过程来实现图像的精准匹配.     

基于立体视觉的无人车测距系统设计

无人车测距是无人车防碰撞系统的关键技术之一。根据现有无人车常用测距方法的不足,设计了一套基于立体视觉的无人车测距系统。针对立体视觉中匹配算法耗时长和精度不高的问题,采用图像熵来表征特征点的信息量,筛除低信息量的特征点,并引入极线约束来减少误匹配点。实验结果表明,该方案能够有效地对前方障碍物进行测距,匹配算法的精度高、速度快,满足测距系统的实时性和精度要求。     

基于立体视觉的工件识别与定位系统研究

针对生产过程中工件等弱纹理目标的自动识别、定位问题,建立了基于立体视觉的工件识别定位系统,研究了基于改进形状描述符、轮廓矩特征、子轮廓的弱纹理目标识别算法,避免了局部不变量特征难以识别弱纹理目标的问题,应用对极线约束、双目测距原理及姿态计算方法完成目标的三维姿态估计。结合OpenCV视觉库及机器人控制系统实现工件识别定位实验系统的软件开发,经实验验证本系统能够实时准确地识别定位弱纹理工件并进行抓取。     

一种机器人立体视觉匹配方法的研究

针对区域匹配计算量大而特征匹配算法复杂的缺点,采用了一种以边缘点为匹配基元,使用双阈值判断的灰度相关分阶段立体匹配方法。     

立体视觉中的图像立体匹配方法

图像立体匹配是立体视觉的核心技术,在三维重建、视觉测量及目标识别等领域中得到了广泛的研究和应用.根据立体匹配技术特点,图像立体匹配可分为三大类:局部立体匹配、全局立体匹配和半全局立体匹配.着重介绍了前两大类中典型的图像立体匹配方法.对各种图像立体匹配方法的匹配算法进行了分析研究,并对图像立体匹配方法的发展提出了一些建议.     

人工立体视觉仿真系统的建立和应用

为了对人工立体视觉中各个环节进行验证,提出了开发人工立体视觉仿真系统的思路.以开放图形库OpenGL为工具,架设虚拟相机,设置虚拟物体,拍摄虚拟图像,在虚拟的图像上采集数据,并根据数据的相关性进行虚拟物体重建,最后将重建物体与原始物体进行比较,验证整个系统或某测试模块的准确性.应用结果表明,该仿真平台可以用于立体视觉研究中的测试和模拟.     

采用立体视觉的子孔径拼接测量工件定位

为了实现大口径光学元件的子孔径拼接干涉测量,提出了采用立体视觉进行光学元件位姿测量的方法,建立了基于双目视觉的子孔径拼接测量系统,对该系统的数学模型、测量原理以及基于四元数法的位姿变换矩阵求取方法进行了研究。首先,介绍了圆形子孔径拼接干涉测量的原理,并基于齐次坐标变换分析了其对工件定位的要求,接着引入了立体视觉辅助测量系统,建立了其通用测量模型,利用双目视觉获取不同子孔径测量时与工件刚性连接的特征点的三维全局坐标,在完成全部子孔径测量后利用四元数法求取各子孔径相对于全局坐标系的转换矩阵,然后利用优化拼接算法将各子孔径数据统一到全局坐标系下,完成大口径光学元件的全局测量。最后利用该系统实现了对口径为150mm平面和100mm球面的检测。实验结果证明,在本系统中,立体视觉系统平移定位精度优于0.1mm,转动测量精度优于0.01度,能够给优化拼接算法提供一个有效的初始值,且该方法能够快速给出各子孔径间的相对坐标变换且在其视场范围内不产生误差累积,方法简单实用,稳定可靠。     

平面问题无网格局部边界元方法研究

推导了弹性力学平面问题的无网格局部边界元积分方程 ,实现了该法离散过程 ,应用两个典型算例验证了该法的有效性。研究中 ,发现局部域半径的大小对计算精度有一定影响 ,其值大小会造成很大的误差     

一种新型各向同性的连通数细化方法

在心血管图像细化研究过程中发现,模板匹配并行细化方法具有方向性,采用该方法不能获得理想的心血管细化结果.本文在模板法的基础上提出了一种新型的连通数细化方法,与现有的并行细化法相比,该方法具有各向同性、运算速度快、细化结果充分、旋转不变性和鲁棒性等优点.利用该方法获得了满意的心血管细化结果.     

基于Reynolds边界有限宽径向轴承实用计算方法

提出了一种基于Reynolds边界有限宽径向轴承的实用计算方法。该方法是将Fuller用电模拟方法得到的离散性端泄系数首次用函数表示,并采用无限宽径向轴承按Reynolds边界条件得到的解析解答。在此基础上建立了有限宽轴承承载量系数公式,它避开了文献中轴承承载量系数的数值计困难。结果表明:利用本文中已建立了轴承承载量系数公式及文献中摩擦因数的公式,能更方便得到有限宽轴承摩擦因数的变化规律性;本文的求解方法、求解过程简单、方便并且具有实用精度;计算得到的端泄系数、承载量系数及摩擦因数与相应文献报道的结果十分逼近。     

基于双参数方法的诊断规则不确定性问题研究

提出规则蕴含的因果关系、充分性和必要性等不确定性规则的相关概念以及需要解决的规则不确定性问题，在此基础上介绍基于双参数的不确定性诊断规则的表示形式，进一步说明了规则条件参数计算方法和规则不确定参数的获取方法。与已有重要的不确定性知识的数值处理方法进行比较表明，该方法能够表示具有复杂不确定性加权关系的诊断规则，并且能够根据规则的约束条件通过数值计算获取规则的不确定性相关参数。实际应用结果表明，基于双参数的不确定性诊断规则表示方法是行之有效的。     

基于相关分析和模式匹配的多普勒频率测量方法

研究了利用相关分析方法计算声纳信号的幅值和噪声方差,并以计算的估计误差最小为准则,运用模式匹配的原理实现了多普勒频率的搜索估计.文章推导了相关分析法的信噪比,表明该方法抑制噪声能力强,通过预先计算频偏矩阵使计算量得到减少.最后通过仿真计算验证了算法的性能.     

坯料网格边界延展及规则化算法

提出了一种毛坯边界非等距外延方法，即将毛坯边界节点非等距外延后，利用NURBS曲线拟合技术生成等距的新毛坯边界，再用NURBS曲面蒙皮算法生成平面，然后通过网格生成算法将生成平面离散成网格，最后用一种基于协方差矩阵特征值的坯料边界规则化算法来得到具有规则形状的坯料。     

考虑不同失效相关性的系统可靠性分配方法

为考虑系统组成单元间不同失效相关性对系统可靠性分配结果的影响,将影响系统可靠性分配的因素分为直接和间接两类,提出将复杂度和失效危害度作为直接影响因素,用于确定组成单元可靠性分配权重的相对大小。将工作环境、技术水平、改进成本等归为间接影响因素,引入相对分散性描述系统组成单元失效相关性,提出基于相对分散性的复杂度和危害度计算方法。基于Vine Copula函数建立考虑组成单元间不同失效相关性的串联系统可靠性分配模型,最后以某型数控机床主轴系统为例,进行不考虑相关性和考虑相关性两种情况下的系统可靠性分配结果对比分析,结果表明不考虑失效相关性得到的分配结果过于保守,增加产品研制费用。使用Vine Copula函数建立的系统可靠性分配模型能够考虑组成单元间不同的失效相关性,分配结果与传统多元Copula函数的分配结果相比更为合理。     

基于半监督最大间隔字典学习的故障诊断方法

针对有标记故障样本不足及传统半监督诊断方法识别率低的问题,提出基于半监督最大间隔字典学习算法(semi-supervised max-margin dictionary learning,简称SSMMDL)的故障诊断方法。该方法将无标记样本重构误差项添加至最大间隔字典学习算法模型中,通过最小化无标记样本稀疏重构误差项、有标记样本稀疏重构误差项、支持向量机的损失函数正则项和分类间隔正则项,实现字典和支持向量机的同步学习,从而获得判别能力较强的字典。在此基础上,运用稀疏编码获得测试样本的稀疏表示,利用基于稀疏表示的分类器进行故障识别。通过对转子不同故障进行识别,结果表明所提方法较相关对比算法识别准确率更高,可以满足机械故障在线监测的需要。