基于引导采样的Kinect深度图修补算法

针对Kinect采集到带有大量的结构性缺失的深度图,提出了一种基于引导采样的深度图空洞噪声修补算法。算法首先将深度图所对应的彩色图片转换为灰度图,然后用K-means算法将彩色图转换而来的灰度图进行聚类处理,将生成的聚类图作为引导图。联合引导图对深度图空洞噪声边缘深度值采样,采集多个深度值并计算深度均值,最后使用深度均值来作为空洞的深度估计值。通过与基于蒙特卡罗不确定度评价的深度图修补算法(MC-UE)相比较,由于有引导图的矫正作用,边缘细节更加清晰准确。对于处理较小面积的空洞噪声,处理结果相较于MC-UE算法,均方误差降低4%左右。对于处理较大面积的空洞噪声,均方误差较MC-UE算法降低了9.65%~14.32%。实验证明引导采样算法在处理较大面积空洞噪声时相较于MC-UE算法有更低的均方误差。

面向机器人抓取过程中目标位姿估计方法

针对机械臂抓取过程中场景的复杂性和存在遮挡问题,提出了一种基于深度相机的物体位姿估计方法。采用Kinect相机获取点云图像,提取点云的FPFH特征。采用奇异值分解算法和随机一致算法来进行位姿估计。将得到的位姿经过手眼转换转换为抓取位姿。通过与ICP算法和NDT算法进行对比实验,结果验证了该方法的稳定性和精确性。

基于HALCON的机器人手眼标定精度分析与反演方法

通过视觉引导机器人完成抓取任务,机器人手眼标定的精度直接影响了抓取任务作业精度和抓取成功率。对于基于位置的机器人视觉引导系统,手眼标定的任务则是确定机器人坐标系与相机坐标系之间的位姿关系。通过HALCON平台,使用线性标定法实现了6DOF机器人的手眼标定。对手眼标定的结果进行反演,直观地展示了手眼标定的精确程度。最后通过采集多组不同数量的图片,在HALCON平台下验证了不同摄像机模型对手眼标定的精度影响,以及同种摄像机模型在不同数量图片的情况下手眼标定的标定精度。实验证明,根据位姿矩阵中待求解的未知量个数采集合适数量的图片和使用更精确的摄像机模型能够提高手眼标定的精度。

PSO 算法在氯盐环境结构耐久性评定中的应用

氯盐环境下钢筋混凝土结构的耐久性是沿海地区混凝土结构的一项关键指标,直接影响结构的正常使用寿命。针对混凝土结构耐久性评定标准(《混凝土结构耐久性评定标准:CECS 220∶2007》与《既有混凝土结构耐久性评定标准:GB/T 51355—2019》)中氯盐环境下的钢筋脱钝时间和保护层锈胀开裂时间模型,分析了模型解空间分布,构建了误差函数与目标函数,利用了粒子群算法(PSO)进行求解。通过稳定性、安全性、可用性3个维度对耐久性评定中的模型求解问题进行了分析和论证。实现了“小时”级的钢筋脱钝时间和保护层锈胀开裂时间评估精度,从而证明了算法的稳定性。模型求解的计算时间仅需0.3 s,证明了PSO算法针对问题的可用性。

视觉引导技术在SCARA机器人装配任务中的应用

基于实际生产项目,提出了一种针对平面关节型机器人(SCARA)平面装配任务的手眼标定方法。对线性标定法的输出通过多次迭代使得累积误差和逐渐减小,相较于使用线性标定法来进行手眼标定,视觉定位的平均定位误差降低了0. 4 mm,最大定位误差降低了0. 6 mm。在使用SCARA机器人进行毫米(mm)级作业时,使用迭代线性标定法比传统的线性标定法有更高的视觉定位精度。同时,末端执行器完成对目标工件的抓取任务之后,使用解线性方程的思想求解SCARA机器人完成装配任务的末端位姿,通过实际工程项目的验证,装配成功率可达98. 6%。

建筑工程中钢管桩的腐蚀及其控制技术

钢管桩具有承载力高、打桩施工便捷、施工进度快、环境影响小等优点,在复杂地形中逐渐得到推广应用。但大部分钢管桩采用碳钢材质,其在实际工程应用中易受到腐蚀环境的侵蚀,严重影响设计寿命,尤其在沿海地区中更为突出。通过回顾钢管桩的发展历程,对腐蚀环境进行分类及腐蚀机理进行归纳总结,并整理工程应用中常用的防腐措施,为同类工程的设计及日常管理提供参考。

基于全卷积神经网络的锈蚀钢筋截面检测方法

锈蚀钢筋检测的传统方法对试验仪器的精度要求高、人为因素对检测结果的影响大,不便于应用推广。基于全卷积神经网络提出了一种锈蚀钢筋截面的检测方法,通过对锈蚀钢筋截面图像样本进行像素分割以实现截面区域的检测。神经网络设计时采用了VGG19-FCN及U-Net两种架构,并对二者的识别性能进行了对比分析。图像样本采用从实际工程中搜集到的2000个锈蚀钢筋截面图像(单钢筋截面),并对其进行人工标注。结果表明:①采用小批量子集随机梯度下降法对神经网络进行训练,其效果等同于小批量随机梯度下降法,可解决训练神经网络时小批量数量需求大而显存不足的问题;②VGG19-FCN及U-Net两种网络架构在验证集上的最终精确度分别达到96.59%和95.06%,可说明其对本文锈蚀钢筋截面识别切实可行;③在以5%相对误差为识别容差的条件下,锈蚀钢筋截面采样时待检测钢筋截面尺寸占全图的比例范围有限值,对VGG19-FCN网络架构为28.23%~71.95%、对U-Net网络架构为39.32%~71.95%。综合存储空间、训练时间、识别精度,采用U-Net网络架构对锈蚀钢筋截面识别的效果更优。