便携式心电监测仪设计

目的:设计一种低功耗、易使用的便携式心电监测仪。方法:选用MSP430型单片机和AD620型前级放大器,通过A/D转换程序和液晶显示子程序实现心电波形的显示及数据的储存、输入、输出控制等功能。结果:通过连接电极,该便携式心电监测仪能高效记录及显示心电信号图形。结论:该监测仪记录信号方便可靠,能为医疗诊断提供即时有效的数据资料。

基于聚类匹配的移动机器人地图实时创建算法

提出了一种基于模式识别聚类思想的数据点集匹配算法。该匹配算法具有传统迭代匹配算法和非迭代匹配算法的优点,匹配速度快,精度高。结合上述匹配算法,给出了一种基于激光测距仪的移动机器人环境地图实时创建方法。该方法使用从环境数据中提取出的特征点来完成两组激光数据点集的匹配,进而完成环境地图的创建。利用本实验室自主研发的救援机器人平台对该算法进行了验证,实验结果表明,该算法能够完成室内环境下移动机器人实时准确有效的环境地图创建。

改进粒子滤波在WSN辅助机器人定位中的应用

针对无线传感器网络(WSN)辅助机器人定位问题,提出了一种改进的粒子滤波算法。为提供精确定位,在粒子滤波算法中引入节点置信度概念,给出了节点置信度的数学表达式,用于实现节点间的信息融合。新算法通过计算节点置信度,选择置信度高的节点参与辅助机器人定位;根据节点置信度,还可以确定每个节点对粒子更新的影响程度。开发了一种新的基于USARSim的无线传感器网络-机器人系统仿真平台,利用平台对新算法进行了验证。仿真实验结果表明,提出的算法机器人定位精度高,粒子滤波收敛速度快,仿真平台符合无线传感器网络辅助机器人定位研究的需要。

智慧城市作战侦察情报保障

随着信息与人工智能技术在城市中的深入应用,以物联网、云计算、大数据以及地理信息系统为支撑的智慧城市正在不断涌现。智慧城市的理念是人与城市融为一体,其特点包括城市信息全面共享、城市要素共融互通、城市建设以人为本、城市资源优化配置。智慧城市的特点影响着未来的战争形态和作战样式,促使更加高效灵活的作战形态不断出现和发展。随着智慧城市作战形态的变化,智慧城市作战侦察情报保障也会面临前所未有的挑战。在分析现代智慧城市作战特点的基础上,研究智慧城市作战条件下侦察情报保障的新特点和新挑战,并提出相应的侦察情报保障方法与思路,以期为后续相关问题的研究提供借鉴。

基于机器视觉的鱼类行为特征提取与分析

近年来,水污染问题备受关注。生物式水质监测成为目前国家环境保护工作的重要任务之一。为准确监测水质污染情况,本文以青鳉鱼(Oryzias latipes)为研究对象,采用非接触式的机器视觉监测技术,提取青鳉鱼的生理特征(呼吸频率)和运动特征(胸鳍和尾鳍的摆动频率),并分析这些特征与水质之间的关系。本文采用支持向量机(Support Vector Machine,SVM)准确提取鱼鳃,并根据鱼鳃呼吸面积大小变化计算出鱼的呼吸频率。基于形态学细化算法提取青鳉鱼骨架,求出胸鳍和尾鳍的摆动频率。结果显示:不同浓度铜离子暴露实验测得的青鳉鱼生理特征和运动特征与实际情况一致;通过对不同铜离子浓度下的毒性实验数据对比,发现了青鳉鱼的生理特征和运动特征会随不同的铜离子浓度发生相应变化,可以作为水质监测的评价标准。

基于机器视觉的鱼类模式生物在线监测技术方法研究

水污染的防治问题是我国关注的重中之重,现有理化监测方法的实时性和综合性较差,特别是对于一些极端可变化的环境,更需要新的方法以辅助和解决。生物式水质监测方法被提出,通过利用生物对环境污染或变化所产生的反应来直接或间接体现水质的污染情况。然而,观测指标与量化标准是面临的一大难题。文章利用机器视觉的方法,以青鳉鱼为模式生物,并以青鳉鱼的生理特征以及运动特征(呼吸频率、胸鳍摆动频率、摆尾频率)为观测指标,两方面综合评定青鳉鱼应激状态,实时监测与分析。实验结果表明该方法能为生物式水质监测和预警的发展提供一定支持与参考。测得青鳉鱼呼吸频率为3.06 Hz,胸鳍摆动频率为4.83 Hz,尾鳍摆动频率为5.08 Hz,结果与实际指标一致。

基于深度残差学习的自动驾驶道路场景理解

随着道路场景理解技术的快速发展,自主驾驶领域取得了长足的进步。在相关任务中,包括道路分割、分类和车辆检测的实时性和准确性是安全性的一个关键问题。为此,提出了一个具有编/解码器网络结构的基于深度残差学习的方法。一方面,编码器网络结构使用不同层次的残差网络来提取高维中的抽象特征,这些特征在接下来的三个任务中共享使用;另一方面,解码器网络结构采用一种子任务的并行计算机制,即道路分割、车辆检测和道路分类任务同时执行。此外,全卷积神经网络用于对提取的图像特征进行上采样以解决道路分割问题。最终,实验结果表明在保证高精度的前提下处理帧率可达到15 fps以上。

Android与ROS交互通信的可靠性设计

目前,Google和Willow Garage已经为Android系统构建ROS(Robot Operating System)环境提供了基于rosjava的应用功能包集合android_core,便于Android移动终端和ROS进行互联互通。然而,当前的通信机制不能保证Android应用对基于ROS的机器人进行可靠的远程控制。为解决上述问题,从ROS中的应用层和通信机制两方面对ROS进行完善。一是在ROS端TCP/IP协议的应用层设计通信异常检测模块"Check Node Connection"来进行Android移动终端的连接状态检测;二是在Android端设计与ROS中"ROS Action Protocol"相匹配的通信机制"Ros Action On Android"。实验结果表明,设计的通信异常检测模块"Check Node Connection"可以高效地检测Android与ROS间的连接状态。此外,"Ros Action On Android"通信机制可时刻获取ROS机器人在任务执行中的状态反馈信息并支持任务抢占,使得交互控制更加精准可靠。

一种面向多模态手术轨迹的快速无监督分割方法

基于视频和机器人运动学数据的多模态手术轨迹分割是机器人辅助微创手术中的一类基本任务,用于生成低复杂度的子任务进行学习和技能评估等.然而由于手术视频的高维特征空间,传统的特征提取方法存在效率低下、难以提取有效特征的缺陷.此外,传统轨迹分割方法未对运动学轨迹进行去噪处理,分割结果易受噪声影响.为此,本文提出了一种基于手术视频和机器人运动学数据的快速手术轨迹无监督分割方法.一方面,采用堆叠卷积自编码器方法对手术视频进行无监督的低维特征提取,提高特征提取的效率;另一方面,利用小波变换对手术运动学轨迹进行多尺度去噪处理,平滑短程轨迹,减少噪声对分割结果的影响.最后,采用非参混合模型实现手术轨迹的分割.实验表明,本文提出的手术轨迹分割方法能够在保证准确性的前提下,基于视觉和运动学特征的分割速度相较于基于深度学习转移状态聚类(TSC-DL)提高了10倍.

一种面向运动目标提取的对称交替方向RPCA算法

基于鲁棒主成分分析(RPCA)的运动目标提取对背景变化具有良好的鲁棒性,但传统的基于交替方向法(ADM)的鲁棒主成分分析方法存在计算量大、耗时长等缺陷.为了克服这些问题,一种对称交替方向法(SADM)被提出来,该方法优化了原ADM迭代策略,在一次迭代中对线性约束乘数更新两次,减少了计算成本很大的奇异值分解(SVD)执行的次数,同时加入了新的均衡参数和停机准则,以提高运动目标的提取精度,避免多余的迭代以减少运行时间.通过F测度这一衡量指标对实验结果进行量化,提出的算法比对比算法的提取精度平均提高33.04%,运行时间相对原ADM提高了98.8%.

全球变暖和厄尔尼诺导致青藏高原中部湿地迅速扩张

阐明青藏高原湿地的时空变化规律和驱动因素,对理解青藏高原湿地对气候变化的响应及保护其生态系统和生物多样性至关重要.由于湿地边界的不确定性、遥感数据光谱和纹理特征的复杂性,湿地的智能识别监测面临许多技术挑战.本研究提出了一种面向遥感场景分类的深度学习框架,实现了基于Landsat遥感图像的青藏高原湿地智能提取.结果表明,近30年(1990~2019年)青藏高原湿地面积增加了31.2%,其中青藏高原中部,即羌塘高原、柴达木盆地和三江源地区的湿地面积增长最明显.气温升高引起的多年冻土融化是该地区湿地面积增长的主要驱动力.因厄尔尼诺而导致的气温和降水异常进一步加剧了湿地面积的增长.

结合孪生网络和像素配对的高光谱图像异常检测

目的高光谱遥感中,通常利用像素的光谱特征来区分背景地物和异常目标,即通过二者之间的光谱差异来寻找图像中的异常像元。但传统的异常检测算法并未有效挖掘光谱的深层特征,高光谱图像中丰富的光谱信息没有被充分利用。针对这一问题,本文提出结合孪生神经网络和像素配对策略的高光谱图像异常检测方法,利用深度学习技术提取高光谱图像的深层非线性特征,提高异常检测精度。方法采用像素配对的思想构建训练样本,与原始数据集相比,配对得到的新数据集数量呈指数增长,从而满足深度网络对数据集数量的需求。搭建含有特征提取模块和特征处理模块的孪生网络模型,其中,特征处理模块中的卷积层可以专注于提取像素对之间的差异特征,随后利用新的训练像素对数据集进行训练,并将训练好的分类模型固定参数,迁移至检测过程。用滑动双窗口策略对测试集进行配对处理,将测试像素对数据集送入网络模型,得到每个像素相较于周围背景像素的差异性分数,从而识别测试场景中的异常地物。结果在异常检测的实验结果中,本文提出的孪生网络模型在San Diego数据集的两幅场景和ABU-Airport数据集的一幅场景上,得到的AUC(area under the curve)值分别为0.99351、0.98121和0.98438,在3个测试集上的表现较传统方法和基于卷积神经网络的异常检测算法具有明显优势。结论本文方法可以提取输入像素对的深层光谱特征,并根据其特征的差异性,让网络学习到二者的区分度,从而更好地赋予待测像素相对于周围背景的异常分数。本文方法相对于卷积神经网络的异常检测方法可以有效地降低虚警,与传统方法相比能够更加明显地突出异常目标,提高了检测率,同时也具有较强的鲁棒性。