改进A*算法的智能车路径规划研究

由于A*算法所规划的路径存在着转折次数多,路径不平滑,路径贴合障碍物和初始时刻转折角度过大等不符合车辆运动学的问题。为了解决上述问题,获得适用于智能车的优化路径,本文通过对车辆运动学建模得到车辆的约束,同时在估价函数中加入车身轮廓代价和障碍物距离代价,并将车辆约束加入到A*算法的启发函数和路径优化中,再使用贝塞尔曲线拟合转折点,使A*算法所生成的路径更加符合车辆的运动学。通过分析改进A*算法可知,改进后的算法所规划的路径更加平滑、合理且符合车辆的运动特性。     

基于局部特征和语义信息的扣件图像检测*

针对现有底层特征识别扣件状态的算法存在描述能力差、错误率高等问题,提出一种基于扣件局部特征和语义信息的扣件检测模型。首先,在图像的非线性空间中计算扣件底层局部特征来表达扣件轮廓信息。然后,将图像分为4个子图,有效克服了由于扣件左右对称、上下相似造成的单词多义性问题。再根据扣件子图构造视觉单词,由底层特征整合得到语义信息向量。最后,以该向量训练分类器,判断待检扣件状态。对均衡的扣件样本进行测试,漏检率仅为0.67%。实验表明所提算法较现有方法,漏检率和误报率明显降低,检测能力增强。     

铁路扣件图像检测中的RBF-SVM模型优化

在开发的铁路扣件检测系统中,RBF-SVM被作为扣件图像分类识别的分类器。核参数的选择是RBF-SVM模型优化研究中的重要问题,将量子粒子群算法应用于参数的优化选择,在(cγ)参数可调范围内产生初始种群,将种群中的个体作为RBF-SVM的参数进行学习;经过多次迭代获得最佳参数对(cγ),并将该参数对作为RBF-SVM的核参数训练支持向量机。实验表明,QPSO的性能优于传统的PSO算法,该方法在解决支持向量机优化方面表现出了高效的收敛性和稳定性,并且在该方法的基础上形成的铁路扣件检测算法是切实可行的。     

基于改进活动轮廓模型的图像分割

针对图像分割中的灰度不均匀和轮廓初始化问题,提出一种基于区域的活动轮廓模型。将图像的全局信息和局部信息作为能量项驱动活动轮廓向目标边缘演化,以有效分割灰度不均匀图像,为保证图像分割的速度和精度,在能量方程中加入长度项和惩罚项,并采用梯度下降法得到该模型的最小化能量方程。实验结果表明,和局部二值拟合模型、局部图像拟合模型相比,该模型能分割灰度不均匀的图像,对初始轮廓曲线大小和位置更不敏感,且分割图像所需的迭代次数、迭代时间更少。     

启发式RRT算法的AGV路径规划

在实际应用中，B-RRT*算法规划的路径存在着转折次数多、路线不平滑、路线贴合障碍物和最大转角过大等不符合车辆运动学的问题。为了获得适用于自动导引小车（Automatic Guided Vehicle，AGV）的优化路径，通过使用Reeds-Shepp曲线进行预处理以解决车辆在目标点朝向的问题。此外，提出启发式滑动窗口采样减少B-RRT*算法随机采样所带来的误差，并将车辆运动学约束加入到重选父节点和重布随机树的过程，使用贝塞尔曲线对所规划的路径进行平滑处理。实验结果表明：在规划相同路径上，改进B-RRT*算法规划的路径能够有效地解决上述算法存在的最大转角不合理、路径靠近障碍物、路径不平滑和不符合车辆运动学等问题。     

一种快速鲁棒的光学表面划痕高精度检测方法

为了提高光学零件表面划痕定位测量和宽度测量的精度,采用基于离散正交多项式曲面拟合的亚像素边缘检测与宽度测量的算法,通过对边缘点及其邻域进行曲面拟合代替了只对边缘点梯度方向进行曲线拟合,实现了亚像素边缘检测;采取感兴趣区域加速策略与基于离散正交多项式曲面方程参量快速求解方法串联进行的加速方案,大大减少处理时间;在宽度计算方面,根据划痕长度自适应分段,分别计算每段分段点之间欧氏距离并作为其宽度,比较后取最大宽度作为划痕宽度。结果表明,该算法测量精度较高且具有较强的鲁棒性,同一划痕在不同视窗下测得宽度误差均值不超过5.2%,且标准差不超过0.3;在求解曲面模型参量的时间方面,该方法计算时间约为最小二方法的7.35%,处理效率显著提高。该方法能够满足工程应用中快速、高精度的测量要求。     

α-Fe_2O_3纳米管制备方法的研究进展

对α-Fe2O3纳米管制备方法的探究是当前光电材料研究方面的一个热点。在综述当前几种主要的α-Fe2O3纳米管制备方法的基础上,对比了AAO模板中几种不同的沉积技术对α-Fe2O3纳米管形貌的影响,并详细分析了电化学阳极氧化法制备α-Fe2O3纳米管过程中工艺参数对纳米管生长的影响,最后对α-Fe2O3纳米管阵列未来值得关注的研究方向进行了展望。     

融合纹理结构的潜在狄利克雷分布铁路扣件检测模型

针对潜在狄利克雷分布(LDA)模型忽略图像结构的问题,提出一种融合图像纹理结构信息的LDA扣件检测模型TS_LDA。首先,设计一种单通道局部二值模式(LBP)方法获得图像纹理结构,将单词的纹理信息作为标注,用单词和标注的联合分布反映了图像的结构特点;然后,将标注信息嵌入LDA,由单词和标注共同推导图像主题,改进之后的主题分布考虑了图像结构;最后,以该主题分布训练分类器,检测扣件状态。相比LDA方法,正常扣件与失效扣件在TS_LDA主题空间中的区分度增加了5%~35%,平均漏检率降低了1.8%~2.4%。实验结果表明,TS_LDA能够提高扣件图像建模精度,从而更加准确地检测扣件状态。     

基于不同尺度增强融合的视网膜血管分割算法

针对现有视网膜血管图像提取细小血管准确率较低的问题,提出了一种基于多尺度线性检测器与局部和全局增强相结合的视网膜血管分割方法.对多尺度线检测器进行研究,将其分为小尺度和大尺度两部分;利用小尺度对局部增强后的图像与大尺度对全局增强后的图像分别进行检测,得到不同尺度下的响应函数;将不同尺度下的响应函数进行融合,得到最终的视网膜血管结构.在STARE和DRIVE两个数据库上进行实验,结果表明:该算法得到的平均血管准确率分别达到96.62％和96.45％,平均真阳性率分别达到75.52％和83.07％,分割准确率高,能够得到较好的血管分割结果.     

基于潜在语义主题融合的铁路扣件状态检测

针对现有单一底层特征识别扣件状态的算法存在描述能力差、特征维度过高等问题,提出一种基于两种扣件底层特征的潜在语义主题融合的扣件检测模型.通过潜在狄利克雷分布(LDA)模型分别获取扣件图像的局部二值模式(LBP)特征和方向梯度直方图(HOG)特征的扣件语义主题向量.将这两种语义主题向量进行加权融合,权值由该图像LBP特征图和其梯度图的信息熵来确定.以该向量训练分类器,判断待检扣件状态.实验表明:与目前的主流扣件检测方法相比,该方法的漏检率和误检率明显降低,检测能力显著增强.