基于机器视觉和卷积神经网络的无人化智能装卸研究

利用机器人可以大批量、不间断作业的优势,设计基于机器视觉和卷积神经网络的无人化智能装卸方法。使用机器视觉系统采集无人化智能装卸机器人装卸时的图像数据,通过自适应卷积神经网络的无人化智能装卸图像识别方法获得待装卸物体,将其在图像坐标系下的坐标值运用张氏标定法转化为机器人坐标系下的坐标值,根据转化结果采用快速扩展随机树算法驱动机器人运动到坐标位置,实现待装卸物体的无人化智能装卸。实验结果表明:该方法能识别出全部待装卸物体;标定所得重投影误差值小,无人化智能装卸机器人运动路径短,并能有效避开所有障碍物,能高效、精准地装卸全部待装卸物体。

新型递归神经网络求解时变矩阵Moore-Penrose逆

将传统梯度神经网络(GNN)与张神经网络(ZNN)巧妙结合,提出了一种新型的神经网络(NNN)模型.在相同的条件下,采用NNN,GNN,ZNN模型求解时变矩阵M-P逆,从理论上证明了NNN模型的有效性和优越性.计算机仿真结果表明NNN模型在有噪声的条件下求解矩阵M-P逆具鲁棒性.

基于神经网络的摄像机标定方法研究

提出了一种新的基于神经网络的摄像机标定方法。该方法将标定物从三维降到二维,在获得网络样本时,通过Harris角点检测法和张正友二维平板标定法得到,使其能够在保证精度的基础上,降低时间复杂度。实验结果表明,该方法得到了较好的实验结果。

基于BP神经网络模型的水库塌岸预测研究

考虑水库塌岸预测的非线性,构建基于BP神经网络模型的水库塌岸非线性预测模型,以漳河流域内岳城水库为研究对象,结合野外实地勘察数据,对岳城水库塌岸进行预测。研究结果表明:所建水库塌岸非线性预测模型预测结果与实际情况较为吻合,预测的左右岸水库塌岸和实地调查塌岸相对误差分别为1.92%和2.15%,岳城水库左右岸塌岸宽度预测平均值分别为31.8m和36.9m;水库下游预测塌岸速度小于1m/a,中上游塌岸速度大于1m/a,下游库岸态势较为稳定,中上游塌岸趋势将加剧。研究成果对于水库塌岸非线性预测及岳城水库塌岸防治和岸坡加固设计提供参考价值。

基于神经网络与边缘修正的隧道衬砌裂缝识别

针对隧道衬砌图像背景复杂的问题,提出基于卷积神经网络的图像快速筛查与裂缝区域定位,并针对裂缝多存在网状形态以及毛刺形分叉区域的特点,提出基于二叉树与曲线拟合的隧道衬砌裂缝识别方法。首先通过网格化区域划分与卷积神经网络进行区域类别判断,实现海量图片快速筛查与裂缝区域大致定位。对检出的裂缝区域通过Zhang-Suen细化算法获得裂缝原始骨架。根据裂缝点间的关联信息构建裂缝骨架二叉树,采用最大距离化的节点筛查规则修正裂缝骨架,并根据修正结果进行裂缝边缘修正,保留裂缝网状形态的同时,实现裂缝短小分叉和结节等不合理区域的剔除。最后基于最小二乘法曲线拟合修正裂缝轨迹,结合二叉树节点信息对裂缝轨迹断裂部分进行连接从而获取完整轨迹。试验结果表明,提出的方法可准确筛除98.73%不包含裂缝的衬砌图像;采用基于二叉树的边缘修正提高了裂缝的分割精度,并通过轨迹修正确保了裂缝轨迹的完整性。