融合深度学习与成像模型的水下图像增强算法

水下机器人的视觉感知功能因受到水下环境因素的影响,面临着图像质量降低的挑战,如图像颜色畸变、整体色调偏绿、偏蓝、对比度较低、细节较为模糊等。提出一种结合深度学习方法与物理成像模型的新型水下图像增强算法,通过构建包含扩张卷积和带参数激活函数的神经网络,进行背景散射光和直接传输映射的估计,并结合成像模型的数学表达进行重建运算得到增强后图像。实验结果表明,与UDCP、IBLA、GLNet等典型图像增强算法相比,该算法具有更快的运算速度,且能够消除水下环境因素带来的影响,丰富图像色彩的同时能增强各类细节,在峰值信噪比指标和结构相似度指标上取得了较大值。此外,增强后的图像在特征点匹配实验中获得了更好的匹配效果。     

利用旋转型压电执行器驱动的人工眼球结构

针对微型化人工眼球转动驱动长期以来存在的难题,提出一种利用惯性冲量式压电执行器构造紧凑旋转驱动结构的技术方案,并使用不对称锯齿波信号激励的压电陶瓷叠堆作为驱动源.结果表明,在驱动信号上升沿占周期比为0.95、激励电压为125 V、激励频率为1 k Hz、滑动摩擦力为1 N的条件下,结构最外端的微镜头线速度可达2.08 mm/s.该方案具有结构紧凑、精度高、响应快等特点,为仿生眼球等视觉目标跟踪设备提供了一种新的精密驱动手段.