基于点面特征融合的RGB-D SLAM算法

传统的视觉SLAM算法主要依赖于点特征来构建视觉里程计,而在人造环境中通常存在一些点特征不足但结构特征丰富的场景,此时基于点特征的视觉里程计方法容易出现跟踪失败或位姿估计精度降低的问题。提出一种融合点面特征的RGB-D SLAM算法,利用人造环境中的平面特征提高SLAM算法定位与建图的精度与鲁棒性。使用AGAST特征点提取算法并采用四叉树的方式进行改进,使特征点在图像中均匀分布以减少点特征提取的冗余度。同时,在传统点特征方法的基础上添加平面特征,使用连通域分割算法从点云中获取平面特征,并构建伪平面特征,结合AGAST特征点构建点面特征融合的结构约束因子图,添加多重约束关系用于图优化。实验结果表明,该算法AGAST特征点提取效率优于ORB-SLAM2算法,融合的点面特征使其在室内环境下的定位和建图精度更高,绝对轨迹误差减小约20%,相对轨迹误差减小约10%,单帧跟踪耗时减少约7.3%。

改进自适应粒子群算法的PID参数优化

标准粒子群优化算法(PSO)易在局部求得最优解,为解决这一问题,采用自适应权重,在迭代中调整惯性,确保在每一次迭代中使用最佳权重,较好地解决局部最优的问题。该方式可改善传统PSO算法,与实践经验整定法、标准粒子群算法及一般自适应粒子群算法的寻优结果对比。结果显示:其超调量为3.2%,调节时间减少到0.165 s,与其他3种方法相比,振荡更低,且收敛速度更快。采用该方法调整,系统参数确保比例、积分、微分(PID)控制器的性能指标更好,以及控制系统更稳定。

优化的RBF神经网络对光纤位移传感器温度补偿

在对光纤位移传感器进行温度标定的过程中,随着工作环境的变化,位移传感器的测量值会产生误差,从而使位移传感器在使用时随着环境温度的变化发生精度下降的情况。为减少这种漂移偏差,该文使用径向基(RBF)神经网络对位移传感器进行温度补偿,并采用自适应的设计思想寻找RBF函数中心。将位移量和环境温度作为输入,其输出为传感器输出电压,使用自适应的设计思想来确定基函数的中心,建立一个基于RBF神经网络的模型。结果表明,该模型的训练结果可以使光纤位移传感器进行测量的相对误差降低9.23%,在测量精度上有很大的改进,证明了该方法的可行性。

SERS三维结构基底在农药检测中的应用

提出了表面增强拉曼光谱(SERS)敏感基底结构对农药灭幼脲的检测。首先通过理论分析及仿真,采用具有良好增强效果的银离子为基底,单壁碳纳米管为基底的材料支撑物,设计出有规则形状的阵列和3D结构。最后在波数范围100~3200 cm^(-1)进行拉曼光谱检测。结果表明,在灭幼脲浓度范围3 mg/L~5 g/L时,其增强因子约为1.4×10^(5)。该模型的判定系数为0.998,预测均方根误差为0.55 mg/L,表明采用单壁碳纳米管作为检测灭幼脲残留的表面增强拉曼基底能够满足灭幼脲浓度检测精度要求。

单壁碳纳米管与银纳米颗粒合成的SERS基底的制备及应用

通过水热合成法,在单壁碳纳米管(SWCNTs)上生长均匀排列的银纳米颗粒,合成了具有复合开放结构的二氧化硅/碳纳米管/银纳米颗粒(SiO_(2)/CNTs/AgNPs)表面增强拉曼(SERS)基底,并利用透射电子显微镜(TEM)对合成的SiO_(2)/CNTs/AgNPs进行了表征。以罗丹明6G(R6G)作为探针分子,基底的增强因子(EF)为1.23×10^(8),标准差为2.31。以常见的水体污染物苯酚红作为实际样品,苯酚红浓度在1×10^(-4)~1×10^(-10)mol/L范围内与其在1153 cm^(-1)和1441 cm^(-1)处的拉曼信号强度有良好的指数拟合关系,相关系数R^(2)=0.99991。此基底可用于实际样品的定性及定量检测。