基于嵌入式GPU的特征畸变单目视觉定位系统的研究

视觉定位和导航在物流仓储等领域具有广泛的应用前景,传统单目视觉难以实现准确的定位,而双目视觉虽能完成精确的定位和导航,但硬件成本高且影响车体尺寸。提出一种基于特征物形变的单目定位技术,利用单个相机对地面铺设的特征物（带编码的圆环图案）的畸变进行记录,以嵌入式图像处理单元（graphics processing unit,GPU）进行分析,实现端到端的单目视觉定位。其中嵌入式GPU对相机采集的图像通过深度学习目标检测算法识别特征圆环的编码图案,经传统图像处理获取图案物像的形变信息,将该形变信息输入至经极端梯度提升算法（extreme gradient boosting,XGBoost）训练好的回归模型,预测出相机相对图案中心的坐标,同时结合该特征圆环的绝对坐标,最终解算出相机的室内绝对坐标。实验结果表明：在2 m×2 m 的范围内定位平均误差仅为0.55 cm,优于文献报道1个数量级,且算法在电脑端和在嵌入式GPU上的定位解算帧率分别为20帧和4帧,具有实时性。     

基于混合PSO算法和损伤概率均值的两阶段梁式结构损伤识别

受算法随机参数和测量噪声等因素的影响,基于群智能算法的结构损伤识别法容易出现单次识别误差大和多次识别波动大的问题。针对该问题,本文基于混合PSO算法和损伤概率均值提出一种两阶段梁式结构损伤识别方法。定义了包括单元容许损伤值α_cr和临界概率p_c的损伤有效原则,以计算损伤概率均值。第一阶段,对混合PSO算法的多次识别结果分批计算一阶段损伤概率均值,第二阶段,在此基础计算两阶段损伤概率均值。本文方法能够有效地提高高噪声水平影响下的结构损伤识别精度。简支梁和两跨连续梁的损伤工况试验研究表明,该算法能够有效地应用于不同结构和不同工况的结构损伤识别,在减少损伤误判的同时保证损伤单元的识别精度。