基于状态约束的PMLSM固定时间控制策略研究

针对永磁同步直线电机(PMLSM)速度与电流双闭环控制系统,提出基于状态约束的永磁同步直线电机固定时间控制策略。构造非对称障碍Lyapunov函数约束系统的速度跟踪误差,不使用复杂切换项设计固定时间滤波器,克服传统反步控制中的“微分爆炸”问题;构造固定时间干扰观测器对电机的负载扰动进行观测,将扰动补偿到控制系统中增强鲁棒性。理论分析证明系统在固定时间内有界收敛,能够将速度误差约束在合理的区间。基于Matlab仿真实验在给定速度0.5 m/s突加负载时,速度跟踪精度超过98%,相比较固定时间控制策略提高2%;扰动观测器的跟踪范围偏差不到1%,具有较高的观测精度。仿真和实验结果验证了本文控制策略的有效性。

基于增量学习的关节式目标跟踪算法

为实现对关节式目标的稳定跟踪,提出了基于增量学习的关节式目标跟踪算法.该算法应用图割法对目标矩形窗进行前景与背景分割,得到前景图像;然后对前景图像进行快速傅里叶变换,得到傅里叶系数矩阵,进而得到振幅图像,并将振幅图像作为跟踪目标的描述;最后将多个目标描述进行奇异值分解和主元分析,实现对跟踪目标的低维子空间描述.文中在粒子滤波框架下实现了整个跟踪算法.实验结果表明,该算法具有较稳定的关节式目标跟踪效果.

融合多特征和通道感知的目标跟踪算法

针对深度特征描述目标在跟踪过程中出现漂移或过拟合的问题,提出了一种融合多特征和通道感知的目标跟踪算法。应用预训练模型提取跟踪目标的深度特征,依据该特征构建相关滤波器并计算各通道对应滤波器的权重系数,根据权重系数对特征通道进行筛选;对保留的特征通过标准差计算生成统计特征并与原特征融合,采用融合后的特征构建相关滤波器并做相关运算,获取特征响应图确定目标的位置及尺度;利用跟踪结果区域的深度特征对融合特征构建的滤波器进行稀疏在线更新。所提算法和目前一些主流的跟踪算法在公共数据集OTB100、VOT2015和VOT2016上进行测试。与UDT相比,在不影响跟踪速度的同时,该算法具有更强的鲁棒性和更高的跟踪精度。实验结果表明,所提出的算法在目标尺度发生变化、快速运动和背景干扰等挑战下均表现出较强的鲁棒性。

人工智能与嵌入式系统教学人脸识别实验平台搭建

"人工智能"课程涉及多个学科,理论抽象,难以理解,学生往往望而生畏;"嵌入式系统"课程应以应用为中心,着力提高学生的解决实际应用问题的能力。以嵌入式系统为核心的人工智能系统正由弱人工智能向强人工智能迈进。为了提高学生对人工智能的深度认知,提高学生对嵌入式系统的工程实践能力,笔者给出了一种结合人工智能和嵌入式系统的实验平台设计。通过树莓派等相关硬件和OpenCV相关软件实现对人脸的检测与提取,将提取后的人脸图像输入经过训练的CNN网络,最终实现基于CNN的人脸考勤系统设计实现。

子空间描述的关节式目标跟踪

针对关节式目标变化对子空间描述造成的影响,本文提出了一种基于增量学习的关节式目标跟踪算法.该算法通过引入图像分割方法与快速傅里叶变换可有效消除背景像素对目标描述造成的影响以及目标区域前景目标位置对不准造成的误差,同时应用局部二值模式增加目标描述中像素点间的几何位置信息,应用基于增量学习的方法实现目标特征的在线更新,最终为跟踪算法提供较为精确的目标描述.实验结果表明,本文提出的关节式目标跟踪算法具有较好的目标跟踪效果.

基于手写数字识别与播报系统平台的嵌入式系统教学设计

文章提出了手写数字识别与播报系统平台设计,旨在利用深度学习的卷积神经网络算法实现手写数字的识别,在嵌入式系统硬件树莓派上实现图像的采集、数字的分割、识别、语音播报等功能。通过实际教学验证,本实验平台充分激发了学生学习嵌入式开发的热情、学习深度学习相关算法的热情,提高了学生对工程应用代码的分析解读能力,提高了学生应用所学的相关知识实现系统性应用开发的能力。

双目视觉伺服的4-DOF机械手臂运动控制

为了解决多自由度机械手臂由于目标放置偏离而引起的抓取任务失败问题,给出了一种基于双目立体视觉的目标识别与定位控制方法。以抓取矩形轮廓的目标物体放置于矩形目标位置为控制任务,基于双目视觉目标图像信息,分析了目标特征参数提取、识别、匹配以及目标空间位姿测量的方法。结合四自由度(4-DOF)机械手臂硬件控制系统,运用改进D-H参数法建立了机械手臂正运动学模型,并通过逆运动学方法将目标位姿转化为机械手臂的控制指令,实现对目标抓取和放置的运动控制。实验结果表明,该视觉伺服的机械手臂运动控制系统能够准确、稳定地实现抓取和放置任务,定位精度高,对工业机器人在分拣、装配中的运动控制研究和应用有重要的参考价值。

无人直升机鲁棒积分滤波反步法飞行控制设计

现有的无人直升机模型具有阶数高、精确建模困难、外部干扰大等缺点,因此,设计常规反步控制器面临着计算量大、抗干扰能力不足、轨迹跟踪效果差等问题.为此,文中提出了一种基于鲁棒积分滤波反步法的无人直升机飞行控制方法.该方法采用滤波器对虚拟控制量进行求导,以解决反步控制器的微分爆炸问题;通过引入积分项和不连续的鲁棒项来提高闭环系统的抗干扰能力,消除轨迹跟踪静态误差.理论分析和仿真结果表明,该方法是有效、可行的.

基于K均值聚类与标记分水岭的棉花图像分割

针对棉花识别中由于光照不均、背景复杂等不利影响降低识别率的问题,提出了一种基于K均值聚类与标记分水岭的棉花图像分割算法。基于棉花和背景在颜色上的信息差别,使用K均值聚类算法将复杂背景棉花分成棉叶、棉花、土壤和棉枝四类。进一步,基于棉花和背景在亮度上的信息差异,利用二维Otsu算法对棉花目标初次分割,并通过标记分水岭算法完成目标识别。通过实验验证:改进的标记分水岭算法能够有效解决棉花目标的过分割问题,显著提高了识别率,同时该方法对具有同类特征的花卉采摘视觉系统的设计具有参考价值。

基于图像形态学运算和Hough变换的油箱盖检测

油箱盖识别是无人智能加油站系统的关键技术之一。针对传统的Hough变换在油箱盖识别中由于其与车体的趋同性、镜面成像等问题导致的识别率较低的问题,提出了一种基于图像形态学运算的Hough识别方法。该方法首先将获得的图像经过变换等预处理,再运用图像形态学运算对预处理后的图像进行目标增强,然后使用高斯滤波以消除镜面成像等微弱干扰;最后通过Hough变换对目标进行识别检测。经过在Linux嵌入式平台下的实验测试表明,该方法能够有效的仅对边缘细节信息进行增强,较好克服了常规算法易受天气、照度、偏差角度及镜面成像等干扰影响的问题,提高了目标识别率。

融合多维空洞卷积算子和多层次特征的深度网络检测算法

在基于深度网络的目标检测模型中,仅利用串行的卷积操作,模型会缺少描述网络不同层次的细节信息和特征图全局信息的能力,减弱小目标的检测能力,影响检测精度.基于残差网络结构,文中提出融合多维空洞卷积(MDC)算子和多层次特征的深度网络检测算法.首先设计MDC算子,卷积核具有5种不同的感受野,可获取8种不同语义的特征图,并引入串行网络的特征提取环节,构造特征层.再通过转置卷积操作实现检测层升维,用于级联不同层次的特征层,得到检测层并保证能在最大程度上保留目标的原始特征.最后使用非极大抑制完成检测算法的构建.实验表明,文中算法有效提高目标平均检测精度和小目标的检测能力.

一种基于时空切片的SLAM关键帧提取方法

针对移动机器人三维视觉同步定位与地图构建SLAM(Simultaneous Localization And Mapping)过程存在的数据冗余和计算复杂度高的问题,提出了一种基于时空切片的关键帧提取技术。基于对时空切片纹理的特征分析,将图像采集设备的运动状态反映为时空切片纹理的倾斜度变化,进而通过度量相邻时空切片间像素的相近程度,利用最邻像素匹配法,确定能够准确描述图像采集设备运动状态的关键帧。实现了在定位精度要求下的关键帧选取,降低SLAM过程中的计算量。实验结果表明,该方法能有效减少冗余帧,在定位性能和处理速度上具有优势。

无纺布成品表面污渍机器视觉检测系统的设计

无纺布成品表面污渍机器视觉检测系统在保证可靠性、易用性的同时,还要有较低的成本、较高的检测速度和精度.根据此需求,文中设计了一种嵌入式机器视觉检测系统,该系统集成了人机界面,能避免因依赖计算机而造成的易用性问题.文中介绍了该系统的硬件结构,设计了基于动态阈值的污渍判断方法,以保证图像运算的实时性与检测的精度,降低误判率,提高检测的可靠性.实际应用表明,该系统在线速度为300m/min的无纺布成品生产中,能够检测出1mm2的污渍.

一种灾害视觉检测图像处理平台设计

在以小型无人直升机为载体的灾害检测系统中,机载的电子舱内已经放置了导航设备和飞行控制系统,而通常这些小型直升机体积较小而导致负重也小.因此就对机载设备提出了高精度、低功耗、微型化、低成本等多方面的苛刻要求.基于此要求以Blackfin531为核心处理器,设计了一种高性能、高集成度的嵌入式视觉检测图像处理平台,详细描述了该处理平台的硬件结构设计及实现方法.实验表明,该视觉处理平台可以满足灾害检测系统应用的要求.

基于PCA初始化卷积核的CNN手写数字识别算法

针对卷积神经网络对手写数字识别训练在卷积核随机初始化情况下收敛速度慢和识别率低的问题,提出一种主成分分析(PCA)初始化卷积核的卷积神经网络(CNN)手写数字识别算法。算法首先选取训练样本集并将其送入CNN,在相应层对Feature Map进行全覆盖取图像块处理,然后进行分层PCA学习,将学习到的特征向量做为对应卷积层的卷积核参数进行初始化,最后再用这些卷积核对原始图像进行卷积操作。实验结果表明,与随机初始化卷积核的CNN手写数字识别算法相比,改进的算法在应用MNIST数据库训练时不仅收敛,而且在产生相同均方误差的情况下迭代次数少,识别率高。

三通道拟合的改进卷积神经网络林火识别算法

针对森林火灾背景复杂,图像拟合方式欠佳,使特征描述不充分而导致卷积神经网络(CNN)识别率低,卷积核随机初始化导致迭代次数增多等问题,提出了一种三通道拟合的改进卷积神经网络林火识别算法。通过调整三原色(RGB)三通道比例拟合样本图像,寻求火焰和背景对比度最大的优化参数组合,以解决识别率降低的问题;同时采用主成分分析(PCA)算法初始化卷积核来改进模型,提高迭代速率。实验结果表明:所提算法能有效地提高识别率,加快迭代速度,识别率达98. 5%。

随机饱和与测量缺失下非线性系统的分布式状态估计

传感器网络环境中普遍存在的节点饱和、测量缺失、时滞等信息不完全现象,必然导致系统整体性能变差.研究随机饱和与测量缺失影响下非线性系统的分布式H_(∞)状态估计问题.通过两组已知概率的Bernoulli分布,建立一个能够在统一框架内描述以上两种随机不完全信息的传感器模型.每个传感器接收到的信号由采样间隔随时间变化的采样器分别采样,并利用输入延迟的方法,将采样周期转化为等价的有界时变时滞,从而得到变时滞随机非线性估计误差系统.在此基础上构造合适的Lyapunov-Krasovskii泛函,并选择与之有效配合的积分不等式,得到具有较小保守性的分布式H_(∞)状态估计器设计条件.最后通过仿真分析验证所提方法的有效性.

基于滤波反步法的无人直升机轨迹跟踪控制

针对无人直升机模型阶数比较高,设计常规反步法控制器时面临着对虚拟控制输入信号求导过程较为繁琐的缺陷,提出一种基于滤波器反步法的控制方法.首先,通过滤波器而非直接解析地对虚拟控制量求导,从而显著简化了反步控制器的设计过程,而且由于导数是通过积分过程而非微分得到,大大降低了测量噪声的影响;然后,基于李雅普诺夫稳定性理论证明了补偿跟踪误差是全局指数稳定的;最后,通过仿真结果进一步验证了所提出方法的稳定性和有效性.

融合图卷积和差异性池化函数的点云数据分类分割模型

目的深度网络用于3维点云数据的分类分割任务时,精度与模型在全局和局部特征上的描述能力密切相关。现有的特征提取网络,往往将全局特征和不同尺度下的局部特征相结合,忽略了点与点之间的结构信息和位置关系。为此,通过在分类分割模型中引入图卷积神经网络(graph convolution neural network,GCN)和改进池化层函数,增强局部特征表征能力和获取更丰富的全局特征,改善模型对点云数据的分类分割性能。方法 GCN模块通过K近邻算法构造图结构,利用相邻点对的边缘卷积获取局部特征,在深度网络模型中动态扩展GCN使模型获得完备的局部特征。在池化层,通过选择差异性的池化函数,联合提取多个全局特征并进行综合,保证模型在数据抖动时的鲁棒性。结果在ModelNet40、ShapeNet和S3DIS(stanford large-scale 3D indoor semantics)数据集上进行分类、部分分割以及语义场景分割实验,验证模型的分类分割性能。与PointNet相比,在ModelNet40分类实验中,整体精度和平均分类精度分别提升4%和3.7%;在ShapeNet部分分割数据集和S3DIS室内场景数据集中,平均交并比(mean intersection-over-union, mIoU)分别高1.4%和9.8%。采用不同的池化函数测试结果表明,本文提出的差异性池化函数与PointNet提出的池化函数相比,平均分类精度提升了0.9%,有效改善了模型性能。结论本文改进的网络模型可以有效获取点云数据中的全局和局部特征,实现更优的分类和分割效果。

扩展点态卷积网络的点云分类分割模型

目的点态卷积网络用于点云分类分割任务时,由于点态卷积算子可直接处理点云数据,逐点提取局部特征向量,解决了结构化点云带来的维度剧增和信息丢失等问题。但是为了保持点云数据结构的一致性,点态卷积算子及卷积网络模型本身并不具有描述点云全局特征的结构,因此,对点态卷积网络模型进行扩展,扩展后的模型具有的全局特征是保证分类分割准确性的重要依据。方法构造中心点放射模型来描述点云逐点相对于全局的几何约束关系,将其引入到点态卷积网络的特征拼接环节扩展特征向量,从而为点态卷积网络构建完善的局部—全局特征描述,用于点云数据的分类分割任务。首先,将点云视为由中心点以一定方向和距离放射到物体表面的点的集合,由中心点指向点云各点的放射矢量,其矢量大小确定了各点所存在的曲面和对于中心点的紧密程度,矢量方向描述了各点对于中心点的包围方向及存在的射线。进而由点云中的坐标信息得到点云的中心点,逐点计算放射矢量构造中心点放射模型,用以描述点云的全局特征。然后,利用点云数据的坐标信息来检索点的属性,确定卷积中参与特定点卷积运算的邻域,点态卷积算子遍历点云各点,输出逐点局部特征,进一步经多层点态卷积操作得到不同深度上的局部特征描述。最后,将中心点放射模型的全局特征和点态卷积的局部特征拼接,完成特征扩展,得到点态卷积网络的扩展模型。拼接后的局部—全局特征输入全连接层用于类标签预测,输入点态卷积层用于逐点标签预测。结果在ModelNet40和S3DIS(Stanford large-scale 3D indoor spaces dataset)数据集上分别进行实验,验证模型的分类分割性能。在ModelNet40的分类实验中,与点态卷积网络相比,扩展后的网络模型在整体分类精度和类属分类精度上分别提高1.8%和3.5%,在S3DIS数据集的分割实验中,扩展后的点态卷积网络模型整体分割精度和,类属分割精度分别提高0.7%和2.2%。结论引入的中心点放射模型可以有效获取点云数据的全局特征,扩展后的点态卷积网络模型实现了更优的分类和分割效果。