基于改进变邻域搜索的数控裁床路径优化

针对数控加工中平面多轮廓样片的空行程路径优化问题,文中提出了一种基于改进变邻域搜索(Modified Variable Neighborhood Search,MVNS)的元启发式方法。首先,将空行程路径优化问题转化为一类广义旅行商问题(Generalized Traveling Salesman Problem,GTSP)。其次,针对GTSP中的顺序序列问题,对传统的变邻域搜索中的局部搜索和抖动阶段进行了改进。在局部搜索中,设计了基于2-opt和插入算子的邻域结构,同时采用了一种增量计算方法,提高了求解质量和搜索效率;在抖动阶段中,结合遗传算法设计了分块和重组等算子,避免了过早地陷入局部最优。然后,利用禁忌搜索混合动态规划(Tabu Search with Dynamic Programming,TS-DP)算法排除重复的裁剪序列,并确定入刀点位置。最后,通过应用实例和对比实验,从求解精度和运行时间角度检验所提算法的有效性。对于服装样片的测试,所提算法相比服装CAD的精度值提升了51%以上,平均运行时间为9.3s;对于TSP的测试,所提算法在多数算例上达到或超过对比算法的精度值;对于GTSP的测试,虽然所提算法在少数算例上达到或超过对比算法的精度值,但是平均误差与对比算法的差距不超过1%,并且平均运行时间比对比算法缩短了73.7%。实验结果表明了该算法能同时兼顾求解精度和运行时间,具有一定的应用价值。

基于低秩分解的织物疵点检测

针对传统低秩分解法导致的图像信息过度丢失和织物弹性导致的歪斜问题,提出一种基于Beta范数的改进低秩分解检测方法。首先,通过提取织物图的基元特征构造先验信息图。其次,采用Beta范数代替低秩分解中的核范数,并由先验信息图引导低秩分解方法对织物图进行分解,解决了传统低秩分解方法中核范数导致的图像信息过度丢失的问题。进而,提取织物图的方向梯度直方图(HOG)特征构造后验信息图,并将后验信息图和通过低秩分解得到的稀疏分量进行哈达玛乘积获得显著图,解决了织物弹性导致的歪斜问题。最后,利用最优阈值分割得到疵点图。将实验结果与已有的4种方法进行对比,结果表明,该方法可以有效抑制歪斜干扰,且检测时间更短。