基于合成数据的水下机器人视觉定位方法

针对水下场景水下机器人(AUV)位姿数据集难以获取、现有的基于深度学习的位姿估计方法无法应用的问题,提出了一种基于合成数据的AUV视觉定位方法。首先基于Unity3D仿真搭建虚拟水下场景,通过虚拟相机获取仿真环境下已知的渲染位姿数据。其次,通过非配对图像转换工作实现渲染图片到真实水下场景下的风格迁移,结合已知渲染图片的位姿信息得到了合成的水下位姿数据集。最后,提出一种基于局部区域关键点投影的卷积神经网络(CNN)位姿估计方法,并基于合成数据训练网络,预测已知参考角点的2维投影,产生2D-3D点对,基于随机一致性采样的Perspective-n-Point(PnP)算法获得相对位置和姿态。本文在渲染数据集以及合成数据集上进行了定量实验,并在真实水下场景进行了定性实验,论证了所提出方法的有效性。实验结果表明,非配对图像转换能够有效消除渲染图像与真实水下图像之间的差距,所提出的局部区域关键点投影方法可以进行更有效的6D位姿估计。     

UUV回收过程中的导引光源识别方法

水下无人航行器（UUV）由于具有自主性高、体积小、续航时间长等优点,成为海洋探索的有效工具,为保证UUV的作业任务,需对其进行可靠、有效的回收以供给能量,并获得数据。在此研究水下无人航行器近距离光学导引阶段的目标光源识别问题,提出基于正方形光源阵列的光源识别方法。首先从单目摄像机获得的水下图像中提取光源,基于Tsallis灰度熵对原始图像进行分割,得到目标光源的连通域;在目标光源没有缺失的情况下,基于刚体几何位置对其进行识别,当目标光源被遮挡时,提出了导引光源信息缺失情况下的基于动态标记点的光源识别方法,解决了光源被遮挡时无法识别的问题。     

基于深度学习的鱼类分类算法研究

回顾近年来国内外对鱼类分类的研究进展,指出传统方法存在的缺陷。深度学习是目前图像分类的主流方法。研究基于卷积神经网络CNN(Convolutional Neural Network)的鱼类分类模型,并以该模型为基础,进一步提出利用迁移学习,以预训练网络的特征结合SVM算法(Pre CNN+SVM)的混合分类模型。实验以Fish4-Knowledge(F4 K)作为数据集,使用Tensor Flow训练网络模型。实验结果表明,利用Pre CNN+SVM算法,取得了98.6%的准确率,较传统方法有显著提高。对于小规模数据集,有效解决了需要人工提取特征的不可迁移性。     

洋流影响下基于运动矢径的AUV协同定位方法

针对水下自主航行器（AUV）协同定位受水下未知定常洋流影响的问题,给出一种洋流影响下基于运动矢径的AUV协同定位方法.利用AUV的运动学方程和基于运动矢径的量测方程,建立AUV的导航模型;通过扩展的卡尔曼滤波,设计了协同定位滤波算法;利用该算法对洋流速度进行估计,以补偿AUV定位误差.仿真结果表明,该算法能有效估计未知定常洋流速度的大小,并对AUV定位误差进行实时补偿,显著提高了AUV的定位精度.     

基于改进CNN-SVM的甲烷传感器数显识别方法

甲烷传感器材质存在光反射,显示面板上有附着物,造成甲烷传感器自动检定系统采集的传感器数值图像质量较差,对字符识别困难。而现有的基于机器学习的仪表字符识别方法识别率较低、算法运行速度较慢。针对上述问题,提出了一种基于改进卷积神经网络(CNN)-支持向量机(SVM)的甲烷传感器数显识别方法。通过图像增强、数值区域图像提取、图像分割、小数点定位等4个步骤对甲烷传感器数值图像进行预处理,并将处理后的数字图像作为自定义数据集。针对CNN-SVM模型运行时间较长的问题,使用PCA算法对CNN全连接层提取的图像特征进行降维处理,用最主要数据特征代替原始数据作为SVM分类器的样本进行分类识别。在自建数据集上的验证结果表明,与传统CNN模型和CNN-SVM模型相比,改进CNN-SVM模型的准确率更高,运行时间更短。在经典MNIST数据集上的验证结果表明,综合考虑精度和实时性要求,改进CNN-SVM模型的综合性能优于CRNN,SSD,YOLOv3,Faster R-CNN等模型。采用微型高清USB摄像头采集甲烷传感器数值图像,将训练好的改进CNN-SVM模型移植到树莓派中进行图像处理和识别,结果表明,基于改进CNN-SVM的甲烷传感器数显识别方法的识别成功率为99%,与仿真分析结果一致。     

基于训练图CNN特征的视频人体动作识别算法

为将卷积神经网络(CNN)应用到视频理解中,提出一种基于训练图CNN特征的识别算法。利用图像RGB数据识别视频人体动作,使用现有的CNN模型从图像中提取特征,并采用长短记忆单元的递归神经网络进行训练分类,研究CNN模型和隐层的选择、优化、特征矢量化和降维。实验结果表明,与使用图像RGB数据注意力模型的算法和组合长短期记忆模型算法相比,该算法具有更高的准确率。     

基于轻量级迁移学习的无人机航拍视频图像天气场景分类

针对传统航拍视频图像CNN模型天气分类效果差、无法满足移动设备应用以及现有天气图像数据集匮乏且场景单一的问题, 构建了晴天、雨天、雪天、雾天4类面向多场景的无人机航拍天气图像数据集, 并提出了基于轻量级迁移学习的无人机航拍视频图像天气场景分类模型. 该模型采用迁移学习的方法, 在ImageNet数据集上训练好两种轻量级CNN, 并设计3个轻量级CNN分支进行特征提取. 特征提取首先采用ECANet注意力机制改进的EfficientNet-b0作为主分支提取整幅图像特征, 并使用两个MobileNetv2分支分别对天空和非天空局部独有的深层特征进行提取. 其次, 通过Concatenate将这3个区域进行特征融合. 最后, 使用Softmax层对4类天气场景实现分类. 实验结果表明, 该方法应用于移动等计算受限设备时对于天气场景分类的识别准确率达到了97.3%, 有着较好的分类效果.     

基于深度学习的工业分拣机器人快速视觉识别与定位算法

针对工业分拣机器人识别复杂工件慢、精确度低以及定位不准等问题,提出一种基于深度学习的快速识别定位算法.通过工业高精度相机获取目标图像信息,经过图像灰度化、图像滤波、Otsu二值化处理,再经边界像素检测算法定位并分割目标图像.运用已训练的深度卷积神经网络(CNN)对目标进行识别,得到目标所在的位置坐标以及所属类别,实现工业机器人分拣.实验测试中以纹路复杂的象棋为例进行定位识别,结果表明定位算法误差小于0.8 mm,最快识别速度达0.049秒/个,在实验环境中识别精度能保持在98%以上,表明算法具备良好的准确性和稳定性.     

AUV纯方位目标跟踪轨迹优化方法

为了进一步提高自主水下机器人(AUV)纯方位目标跟踪能力,从AUV轨迹优化方面进行了研究.采用基于距离的分段轨迹优化方法:在跟踪目标的初始阶段以定位的位置误差GDOP(geometrical dilution of precision)作为优化对象,以期在定位跟踪的各个时刻能得到最优的定位精度;针对目标运动要素(位置、速度、航向等)估计趋于收敛的情况,提出了一种基于短期预测的轨迹优化方法,AUV根据物理条件限制预测双方短期状态,计算能够反映跟踪态势特征的收益函数,根据收益函数对自身某状态进行评估,估算出自身各个预测状态的综合收益后,选出综合收益最大的那个状态作为短期目标,执行能到达该状态的行为.目标运动要素估计中使用扩展卡尔曼滤波(EKF).最后,将该轨迹优化方法与基于GDOP的轨迹优化进行仿真对比,结果表明该方法能够实现AUV与目标较快汇合.     

基于SoC FPGA和CNN模型的动作识别系统设计

动作识别是重要的机器视觉研究领域之一。设计实现基于So C FPGA和CNN模型的动作识别系统。设计实现流水线型LK光流计算、基于HOG与SVM的行人检测模块;设计实现动态行人检测与静态行人检测结果的融合算法,计算出目标人物所在区域;利用该区域的视频图像和光流场数据,输入CNN模型计算得到目标人物的动作识别结果;设计指令集架构的NPU单元用于实现CNN模型计算。整个系统基于DE10-Nano开发板进行软硬件协同开发,能够识别"站立"、"行走"、"挥手"和"下蹲"等动作。该系统具有较高的识别率和较强的设计灵活性,方便CNN模型的扩展与修改。