深度学习的无人机双目视觉避障研究

针对无人机避障系统中视觉防撞的关键技术进行研究,改进YOLOv4-tiny目标检测算法,并提出一种基于目标检测的视觉防撞方法.结合MobileNet的可分离卷积结构,优化YOLOv4-tiny目标检测网络,以此提高检测精度.通过去除非检测目标区域的冗余信息,提高SURF匹配算法的效率,由最小二乘法对目标区域进行三维解算,将解算的深度与无人机的位姿信息作为防撞判定区域视野尺度的依据,并结合目标检测的像素位置,实现无人机视觉防撞.最后,利用标准数据集对改进后的网络模型进行分析,mAP值为69％,并搭建无人机视觉通讯模块进行视觉防撞测试,最终验证了方法的合理性.     

基于机器视觉的洗涤清洁度判识

主要阐述了机器视觉在洗涤污水图像处理的应用。首先介绍了使用的机器视觉的基本原理,实验中如何用CCD采集洗涤污水图像,图像边缘的检测及算法,用拟合直线的边缘点及拟合直线的好坏来确定边缘检测的质量及其阈值;根据边缘点坐标截取图像,给出了两种洗涤污水清洁度的确定方法,得出了实验结论。     

基于深度学习的指纹识别方法研究

现代科学技术正处于一个飞速发展的时期,指纹识别技术已经融入人类生活各个领域中.在众多生物特征识别技术中,指纹识别技术作为一种最直观的技术被广泛应用.传统指纹识别技术存在一些弊端,例如需要人工设置指纹特征,并且需要多次调试,设计特征和选择分类器相对而言不易达成最优化,从而导致指纹识别率不达标.需要提出一种能够提高指纹识别准确率的方案.近些年随着机器学习技术的兴起,深度学习技术已经成为了当下的热门课题.而将深度学习技术与生物特征识别技术相融合也具有较明朗的前景.深度学习技术可以在海量数据中学习并分析,可以自动识别分析并学习指纹特征数据,从而减少人工工作量,同时达到提高指纹识别准确率的目的.本文简要介绍了深度学习与指纹识别技术的研究现状、存在的问题,并通过卷积神经网络对指纹识别技术做出了分析与改进.本文主要是希望通过对指纹识别技术的分析与改进帮助人们更深入地了解指纹识别的概念及运用,并促使生物特征识别技术能够获得高速发展.     

一种图像的感兴趣区域提取方法

感兴趣区域(Region of interests,ROI)是图像中可能引起人眼视觉关注的区域。根据视觉注意机制的经典模型Itti模型来提取图像的低层特征,利用局部迭代的特征合并策略并在此基础上综合自动阈值分割和种子点的区域生长方法得到感兴趣区域的提取方法。实验结果表明该方法符合生物的视觉注意机制,具有良好的鲁棒性。     

串联机械臂及视觉控制探究

本文从串联机器人和视觉技术的应用方面,对机器人如何通过视觉完成复杂的包装工作进行探究.     

虚拟现实系统中的视觉延迟研究

视觉延迟将致虚拟现实系统的沉浸感遭到破坏，并导致用户产生运动高，对产生视觉延迟的检测延迟和成像延迟进行了研究。     

多蜂群进化遗传算法

提出一种多蜂群进化型遗传算法。在该算法中,种群的最优个体作为蜂王与被选的每个个体（雄蜂）,以概率进行交叉操作,增强了对种群最优个体所包含信息的开采能力。为避免算法早熟,被选雄蜂部分来自于其他蜂群,同时引入蜂王对其他蜜蜂的抑制机制,以提高蜂群的生物多样性。实验结果表明,多蜂群进化遗传算法是一种提高遗传算法性能的有效改进算法。     

机器视觉螺纹测量的误差分析

为了提高机器视觉方法测量螺纹的精度,采用理论分析和实验验证的方法,研究了用垂直投影测量和切向投影测量方法进行螺纹测量时发生的延伸螺旋面投影遮挡问题。在介绍垂直投影测量和切向投影测量方法的基础上,解释了垂直投影测量和切向投影测量方法产生原理误差的原因。通过对遮挡误差和不同螺旋升角误差对螺纹牙形角测量影响情况的理论分析和推导,给出了垂直投影测量时延伸螺旋面遮挡和不同螺旋升角影响的误差计算式,并进行了实例验证和分析。结果表明,对导程较大的螺纹按垂直投影法测量时,由延伸螺旋面遮挡造成的牙形角测量误差可达到1°以上。这一结果对牙形角测量而言是不容忽视的。     

基于多流架构与长短时记忆网络的组群行为识别方法研究

提出一种基于多流架构与长短时记忆网络的上下文建模框架,旨在克服组群行为识别的两个难点,其一对复杂场景中多视觉线索进行信息融合;其二对情景人物进行建模,以获得长视频上下文关系.并且,对基于全局信息和基于局部信息的识别结果进行决策融合,判定最终组群行为属性.该算法在CAD1和CAD2上分别取得93.2%和95.7%平均识别率.     

一种基于计算机视觉的低成本室内空间测量系统设计与实现

设计并实现一种基于计算机视觉的室内空间测量系统,通过3个低成本的USB摄像头对室内目标进行图像拍摄,实时测量出目标的空间精确位置。采用张氏平面标定法标定摄像头的内外参数,并针对室内环境特点设计了简单有效的图像处理方法,利用立体视觉定位原理计算出目标点的空间位置信息。实验结果表明：系统测量误差小于15 mm,数据更新率为15 Hz,均可满足室内机器人的定位需要。