基于双目视觉的工件定位与抓取研究

针对生产制造过程中工件的自动定位、识别与抓取等问题,研究基于双目立体视觉的工件识别定位方法;对每个工件进行SIFT特征提取,采用模板匹配方法实现工件的识别.用形态学方法获得工件特征点的二维信息,结合双目立体视觉标定技术得到工件的三维坐标,为机器人抓取工件提供信息;在实验中,相机标定、匹配识别与三维定位程序在MATLAB环境中执行,应用MATLAB和VC++混合编程技术将获得的工件信息传递给机器人的控制程序,实现了机器人对工件的在线实时抓取.     

基于亚像素级的墙面裂缝宽度检测方法研究

针对目前计算墙面裂缝宽度精度低的问题，提出一种基于亚像素级裂缝宽度计算方法。该方法在提取裂缝区域的基础上，运用基于中轴线垂线的裂缝宽度测量方法，结合多项式拟合裂缝边缘，提取裂缝左右边缘亚像素坐标点，从而运用欧式距离方法计算出亚像素级裂缝宽度，并且与像素级计算宽度的方法进行了对比。实验的结果表明，该算法计算结果更加精确，可用于多种类型的墙面裂缝宽度测量，其中纵向、横向和交叉裂缝测量的平均相对误差分别为3.02%、2.44%和3.72%，相比于像素级方法，平均误差分别减少了1.87%、1.95%和2.07%，具有较强的泛化能力以及稳定性。     

纱线恒张力模糊控制方法的研究

用模糊控制方法对纱线张力进行控制。叙述纱线张力模糊控制器的设计思想 ,并用模糊逻辑工具箱实现该二维模糊控制器 ,采用Simulink工具箱动态仿真 ,计算机仿真效果满意 ,实验结果表明了模糊控制理论的可行性。     

基于直线段检测和LT描述符的矿井图像线特征匹配算法

图像匹配是同步定位与地图构建（SLAM）技术中极为重要的一环,用于根据图像之间的变换关系确定相机位姿。基于线特征的图像匹配方法具有较强的鲁棒性和抗噪能力,更加适用于井下图像匹配,基于深度学习的线描述符对线段遮挡等场景具有较高的鲁棒性,性能优于传统描述符,但卷积神经网络架构的描述符将可变长度线段抽象为固定维进行描述,不利于线段长度及视差变化较大图像的匹配。针对上述问题,提出一种基于直线段检测和线描述符的矿井图像线特征匹配算法。在频域利用单参数同态滤波降低图像的照射分量,并增强反射分量,提升亮度及对比度;在YUV空间利用对比度受限的自适应直方图均衡化（CLAHE）算法对亮度分量进行均衡,使亮度分布更加均匀;变换至RGB空间提取直线段检测（LSD）线,引入一种基于Transformer架构的LT描述符构建LSD线的特征向量,最后完成线特征匹配。实验结果表明：该算法结合了同态滤波和CLAHE算法的优点,增强后图像的亮度适中,对比度良好,灰度分布均匀,增强效果优于单参数同态滤波算法、EnlightenGAN算法;该算法提取的线特征数较原图平均提升了32.92%,在不同相似纹理占比、不同程度旋转与...     

基于头脑风暴算法的FastSLAM2.0算法

针对FastSLAM2.0算法粒子权值退化与粒子多样性丧失导致机器人定位建图精度下降的问题,提出了基于头脑风暴算法改进FastSLAM2.0算法.通过头脑风暴算法替换FastSLAM2.0算法重采样过程,首先将重要性采样后的粒子权值作为头脑风暴算法中个体评判的适度值,根据适度值大小差异完成K-means聚类操作;其次对聚类后的集合进行变异操作,并取消头脑风暴算法中个体选择操作,从而实现改进头脑风暴算法替代FastSLAM2.0算法重采样过程,缓解粒子的贫化现象,增加粒子多样性,最终实现对机器人定位建图精度的提升.在机器人定位建图实验中,对比经典FastSLAM2.0算法和基于遗传算法改进FastSLAM2.0算法,提出的算法定位精度最高,相较于经典FastSLAM2.0算法,提出算法定位精度提升了63％,稳定性提升了55％.     

面向光纤通信的大气激光应急通信系统设计

应急通信是指在突发事故造成通信中断或通信阻塞情况下的临时通信。结合应急通信的特点,给出一个面向光纤的大气激光应急通信系统,较为详细地说明了该系统中应急数字光端机的各模块功能,分析了PPM调制和锁相环原理和作用,最后指出了应急通信系统的应用前景。     

CAN总线在平网印花机监控系统中的应用

文章根据印花工艺的要求，研制了基于CAN总线技术的平网印花机监控系统，并详细地介绍了系统的组成、功能和软件设计。解决了平网印花机的整机智能化和信息化水平较低的问题。     

基于改进SIFT算法的双目视觉SLAM研究

SIFT算法通常用于移动机器人视觉S LAM中。但其算法复杂、计算时间长,影响视觉SLAM的性能。在两方面对SIFT改进：一是用街区距离与棋盘距离的线性组合作为相似性度量;二是采用部分特征方法完成快速匹配。应用扩展卡尔曼滤波器融合SIFT特征信息与机器人位姿信息完成SLAM。仿真实验表明,在未知室内环境下,该算法运行时间短,定位精度高。     

基于稀疏扩展信息滤波和粒子滤波的SLAM算法

针对传统粒子滤波算法单次迭代过程中仅应用到当前的信息,且小权值粒子代表的信息在重采样中被删除而导致信息不能充分利用的问题,提出了稀疏扩展信息滤波和粒子滤波相结合的同时定位与地图创建（SLAM）算法,信息矩阵记忆了机器人位姿的历史信息,应用Gibbs采样重新获得粒子集,使粒子集能够更好地描述后验分布,提高算法的状态估计精度。大量的Monte-Carlo仿真实验验证了该算法中机器人定位精度较FastSLAM2.0算法提高80%左右。     

注意力机制与神经渲染的多视图三维重建算法

针对多视图立体网络在弱纹理或非朗伯曲面等挑战性区域重建效果差的问题,首先提出一个基于3个并行扩展卷积和注意力机制的多尺度特征提取模块,在增加感受野的同时捕获特征之间的依赖关系以获取全局上下文信息,从而提升多视图立体网络在挑战性区域特征的表征能力以进行鲁棒的特征匹配。其次在代价体正则化3D CNN部分引入注意力机制,使网络注意于代价体中的重要区域以进行平滑处理。另外建立一个神经渲染网络,该网络利用渲染参考损失精确地解析辐射场景表达的几何外观信息,并引入深度一致性损失保持多视图立体网络与神经渲染网络之间的几何一致性,有效地缓解有噪声代价体对多视图立体网络的不利影响。该算法在室内DTU数据集中测试,点云重建的完整性和整体性指标分别为0.289和0.326,与基准方法CasMVSNet相比,分别提升24.9%和8.2%,即使在挑战性区域也得到高质量的重建效果;在室外Tanks and Temples中级数据集中,点云重建的平均F-score为60.31,与方法UCS-Net相比提升9.9%,体现出较强的泛化能力。