基于深度相机的金属柜体三维重建

针对金属柜体表面的光线反射和检测场地限制问题,研究了基于深度相机的金属柜体三维重建,使用深度相机采集金属柜体的RGBD图像,实现高质量的金属柜体表面数据采集;计算其点云数据后进行离群点剔除和下采样的数据处理,降低了噪声影响并提高运算速度;采用基于点云数据和基于三维信息的重建方式,构造金属柜体的三维模型。通过对比实验,证明本文方法得到的点云数据在数量、精度平均误差和采集速度上明显优于双目视觉方法;三种金属柜体的三维模型与真实值对比,模型误差百分比约为3%。

多尺度卷积的时频域语音分离方法研究

在进行混合语音分离时,信号时域特征的深度学习语音分离性能优于频域特征。但目前时域特征的语音分离方法在真实噪声环境下的鲁棒性较差,且单一时域特征对分离模型的性能存在局限性。因此,提出一种基于Conv-TasNet网络的多特征语音分离方法,融合频域特征与时域特征,提高数据的多维信息。为了进一步提高分离网络性能,引入多尺度卷积块,提高网络对特征的提取能力。在包含真实噪声的实验环境下,所提方法与Conv-TasNet模型和最新的时频域融合语音分离基线模型相比,性能分别提高了0.91和0.52 dB,有效提升了语音分离的性能及鲁棒性。