基于双激光视觉成像与BP算法的微小位移测量

针对现有单激光视觉微位移测量方法中利用的图像特征信息不丰富,导致测量结果不精确的问题,本文提出了一种直射与斜射结合的双激光微小位移测量方法,配合BP(Back Propagation)神经网络实现位移的高精度测量。论文采用透镜成像和小孔成像的原理对双激光模型进行理论分析,使用ZEMAX对测距模型进行数值模拟,以验证所提方法的理论可行性与优越性;其次,根据数值模拟结果设计并搭建实验平台进行图像采集实验,提取一系列图像特征作为BP网络的输入,以位移参数为输出,构建位移预测模型。实验结果表明,相比单激光模型,本文提出的双激光位移模型有更高的测量精度,引入BP神经网络后,测量准确度达到99以上。本文为微小位移高精度测量提供了新方法与新思路。

基于BP神经网络和拓展卡尔曼滤波的轨迹追踪

在室内定位中,超宽带(UWB)技术作为新兴的定位技术,被广泛运用于各种工作场景。由于环境复杂多变,UWB通信信号容易受到阻挡,对追踪目标定位及运动轨迹判断会产生干扰。为得到追踪目标的运动轨迹,除考虑接受数据是否是在信号受干扰情况下得到的之外,还要对采集数据进行系统噪声过滤,进而得到跟踪目标的运动轨迹。将判别信号是否受到干扰的问题转化为机器学习下的二分类问题,通过建立BP神经网络模型对采集信号进行分类,筛选出没有受到干扰的信号数据,结果表明BP神经网络训练精度高达96.43%,测试精度为99%。为在实际应用场所中得到运动靶点的轨迹图,利用拓展卡尔曼滤波算法过滤系统噪声,最终得到了跟踪目标的运动轨迹。

基于全参考彩色图像质量算法的磨削表面粗糙度测量

当前基于机器视觉的粗糙度测量方法使用的图像指标考虑因素少、无参考使得预测模型精度受限、受光源亮度影响大。针对此问题,论文提出了一种基于全参考彩色图像质量算法的粗糙度测量方法。该方法根据粗糙表面成像机理分析,在视觉显著性图像质量评估算法(VSI)的基础上引入结构信息,提出了基于视觉结构显著性(VSIS)的图像质量评估算法,与此同时设计了一套基于图像质量的磨削样块表面粗糙度测量装置。实验结果表明,提出的VSIS图像质量评估算法与表面粗糙度Ra之间存在明显的相关性。使用最小二乘法拟合出的曲线关系,能够对粗糙度大于等于0.965μm的磨削样块进行低离散高精度预测,平均误差为0.111μm,标准差为0.079μm。相比于考虑单一因素的粗糙度关联图像特征指标,VSIS有着较好的综合性能,且能一定程度上克服光源亮度的影响,为非接触粗糙度测量提供可选择途径。