基于感兴趣区域的螺栓位姿及尺寸检测研究

为了提高工业生产中螺栓定位抓取的效率和准确性,提出基于感兴趣区域的螺栓位姿及尺寸检测方法。首先利用YOLOv5目标识别算法对螺栓目标进行识别,将识别出的目标区域截取为感兴趣区域。再利用中值滤波和二值化方法对ROI进行预处理,采用Canny改进算法检测目标轮廓。通过最优拟合直线算法获取螺栓的倾斜角度,并用矩特征算法求解出螺栓重心位置。最后采用霍夫两直线段最短距离算法检测螺栓直径。经过实验验证采用YOLOv5目标识别算法的识别准确率达到92.7%,螺栓倾斜角度的检查误差为±1.2°,螺栓直径的检测误差率为±5.5%,实现了对螺栓位姿和尺寸的识别。

基于Mean Shift点法向量分类的目标三维姿态估计

目标三维姿态信息在目标运动分析、目标识别和目标跟踪等领域的应用越来越广泛。现有的OPDVA算法采用基于距离的K-means算法对点法向量进行分类后确定目标坐标系MCS的正方向,求取目标三维姿态角。针对点法向量分类效果不理想的情况,提出了基于Mean Shift点法向量分类的目标三维姿态估计算法(PEMSPNC)。该算法利用不依赖初始参数设定、基于密度聚类的Mean Shift算法,对密度分布不同的不同平面点法向量分类,寻找密度最大处点法向量做为每类代表法向量确定MCS的正方向,然后计算目标姿态角,并根据目标姿态估计结果计算目标尺寸。采用矩形拟合法、OPDVA和PEMSPNC算法分别对仿真和实测目标距离像进行实验。实验结果表明:采用PEMSPNC算法得到的姿态估计结果误差最小,相比于OPDVA算法,平均误差降低了0.4434°,且对实测数据有较好的处理结果。

基于核的Fisher非线性最佳鉴别分析在人脸识别中的应用

抽取最佳鉴别特征是人脸识别中的重要一步。对小样本的高维人脸图像样本,由于各种抽取非线性鉴别特征的方法均存在各自的问题,为此提出了一种求解核的Fisher非线性最佳鉴别特征的新方法,该方法首先在特征空间用类间散度阵和类内散度阵作为Fisher准则,来得到最佳非线性鉴别特征,然后针对此方法存在的病态问题,进一步在类内散度阵的零空间中求解最佳非线性鉴别矢量。基于ORL人脸数据库的实验表明,该新方法抽取的非线性最佳鉴别特征明显优于Fisher线性鉴别分析(FLDA)的线性特征和广义鉴别分析(GDA)的非线性特征。

基于单目视觉和激光测距仪的位姿测量算法

基于单目手眼相机和激光测距仪,提出了一种尺寸未知的空间矩形平面的位姿测量算法。该算法不需要知道矩形平面的4个顶点的物体坐标,只需要知道它们的图像坐标、激光点的图像坐标和激光测距结果,就能够计算出尺寸未知空间矩形平面在相机坐标系下的位姿,并且计算出矩形平面的尺寸。通过建立单目手眼相机和激光测距仪的数学模型,对该算法进行了验证。实验结果表明,该算法是有效的,可以应用于机器人对空间物体的跟踪、定位以及抓取。

初始模型对含噪动态光散射数据正则化反演结果的影响

分别采用最小模型矩阵、最平坦模型矩阵、最光滑模型矩阵作为初始化模型,对加入5种不同水平随机噪声的90nm窄单峰、90nm宽单峰和250nm窄单峰、250nm宽单峰颗粒体系的模拟分布进行了正则化反演,并对反演结果进行比较。结果表明:当噪声水平为0时,正则化初始模型的选择对反演结果没有明显影响。随着噪声水平的增加,采用三种初始化模型反演得到的峰值误差和粒度分布误差都随之变大,但采用最平坦模型和最光滑模型反演得到的峰值和粒度分布误差明显小于采用最小初始模型的反演误差。当噪声水平大于0.01时,选择最平坦初始模型获得的粒度分布结果优于采用最光滑初始模型和最小初始模型获得的结果,而采用最光滑初始模型反演得到的峰值优于最平坦初始模型和最小初始模型的反演峰值。因此,采用正则化算法处理含噪动态光散射数据时,为得到最优的粒度分布信息,宜采用最平坦初始模型,若需要获取最准确的峰值信息,则应选择最光滑初始模型。

基于最小尺寸点模型的6D位姿估计与机械臂抓取

针对传统机械臂视觉识别算法识别率低、鲁棒性差、运行时间长等问题,进行了基于深度学习3D目标检测的研究,提出了一种基于最小尺寸点模型的目标检测与姿态估计的抓取方法。该方法基于改进的YOLO算法,同时以所提出的数据集建立方法构建数据集进行训练,通过处理单张RGB图,即可对目标物体进行识别并估计其6D位姿信息,在此基础上再结合路径规划算法对目标物体进行抓取。通过仿真实验证明了该方法能准确地对物体进行分类与位姿估计。在Co602a机械臂下进行了抓取实验,结果证明了该方法的有效性。

基于改进YOLO V7的校园人体姿态识别

校园人体姿态检测对于监管人员快速识别人体行为,保证校园稳定具有重要意义。针对目前校园人体姿态识别主要依赖人工,效率低下的问题,提出一种基于改良的YOLO V7快速检测模型。首先引入尺寸大小自适应输入模块对输入图像进行标准化和归一化处理,提高模型的适应能力;然后将YOLO V7模型进行剪枝处理提高检测效率;再定义了19个关节点作为人体姿态的特征点,最后使用关节点匹配模块提高关节点匹配的准确率。经过实验,模型可以每秒检测44张图像,检测精度在mAP@0.5时可以达到0.955,相较于原始的YOLO V7检测速率和精度均有所提升。

大尺寸动态测量技术综述

随着工业产品尺寸的不断增大,空间位姿测量需求的不断增多,大尺寸动态测量技术的应用将会非常广泛。目前,大尺寸动态测量技术主要包括全站仪动态测量技术、数字摄影动态测量技术、室内GPS动态测量技术、激光跟踪仪动态测量技术等。本论文从现代工业发展需求出发,介绍了当前几种大尺寸动态测量技术的原理、特点及应用,并对大尺寸动态测量技术的发展进行了展望。

多边法位姿测量系统中跟踪方式对测量精度的影响

为了精确测量大尺寸位姿,建立了一种由7台激光跟踪干涉仪组成的大尺寸位姿测量装置。根据测量各反射镜的激光跟踪干涉仪数量的不同,采用322和331两种跟踪方式对位姿测量精度的影响进行仿真实验,从而发现被测点位置与基站构成平面的距离相关,由坐标解算公式推导被测点坐标值与测量基站之间的相对位置与测量误差间的误差模型,通过分析x、y、z方向上误差对距离变化的敏感程度,发现z方向距离变化引起的误差最为敏感。当被测点与测量基站的距离由1300.8 mm减小到0 mm时,测量误差由2.2μm增大到2626.1μm。实际姿态测量结果表明:当采用一种跟踪方式时可以避免被测点与测站点平面过近,有利于提高系统测量精度,所提出的误差模型可为多边法位姿测量系统的优化布局提供一种量化的理论分析方法。

自适应监督下降方法的姿态鲁棒人脸对齐算法

人脸对齐是人脸分析处理中的重要一步。由于现实中的人脸照片通常在姿态、光线等方面存在较大的差异,人脸对齐是一项艰巨的任务。初始关键点的位置以及特征提取对人脸对齐很重要。提出一种自适应监督下降方法(SDM)的姿态鲁棒人脸对齐算法。首先,为了减小姿态差异对人脸对齐的影响,使用聚类算法将图片按照姿态分成三类(正脸,左侧脸,右侧脸),这样每个类别下的姿态更加紧致。其次,考虑到人脸对齐是由粗到细的多阶段监督学习过程,采用自适应特征提取框(由大到小)来提取判别性特征。基于上述两种策略,在每个类别下,提供一个更好的初始关键点位置,通过自适应特征提取的SDM模型来进行回归模型的训练。选用LFPW、HELEN和300W数据集进行评估,实验结果表明,该模型在复杂姿态下能准确定位关键点,并且好于现有的人脸对齐算法。

基于杨氏模量可控多孔钛微观组织和力学性能研究（英文）

因为人体植入物的杨氏模量远大于骨组织将会带来应力屏蔽,所以降低人体植入物的杨氏模量对于提高植入物器件在人体的服役寿命具有十分重要的作用。采用一种新型的钛网层叠烧结法制备多孔钛,研究多孔钛的微观孔形貌,压缩变形特点和具有可控性的多孔钛孔隙率、孔径大小和孔分布对多孔钛微观组织及力学性能的影响。结果表明:钛网层叠烧结法制备的多孔钛在微观结构上,不同方向具有不同的微观孔形貌,因而使多孔钛具有异性;轴向压缩应力应变曲线表明多孔钛具有平稳、光滑的弹性和塑性变形行为;当增加孔隙率,或相同孔隙率下,减小孔名义尺寸,改变孔分布由规则到错排时,均能降低多孔钛的弹性模量。因此,通过调控多孔钛的这些结构参数,可使其具有与不同骨组织相匹配的力学性能和利于骨组织长入的孔径尺寸。作为植入物材料的多孔钛具有的这种与骨组织适配的孔结构和力学性能,在延长植入物器件的服役寿命上具有很大的潜力。

基于非线性优化的长宽比未知矩形的位姿测量

提出一种新的基于非线性优化的长宽比未知矩形的位姿测量算法.该算法利用矩形顶点对应的4个像点,可有效地估计出矩形长宽比,并且给出矩形目标跟相机之间的相对姿态以及在矩形边长尺度下的相对位置.在该算法中,为了消除相对位姿和长宽比对计算精度的相互影响,将原问题分解为求解相对位姿和求解长宽比两个子问题.对求解相对姿态子问题建立关于相对位姿的代价函数,采用SE(3)李群的方法对相对位姿进行表示,通过优化代价函数对位姿进行求解;对求解长宽比子问题采用二分法搜索最优值的求解方法.通过实验验证了该算法在使用4个像点进行长宽比估计时的有效性和实时性.其相对计算误差小于3%,而且算法在普通PC上可以满足实时测量位姿的需求.

颗粒粒径分布测量反演算法的改进

综合奇异值截断法、奇异值修正法、Tikhonov正则化思想及Chahine迭代算法,提出一种改进的病态问题求解算法来测量颗粒系的粒径分布。结合Backus-Gilbert折中准则与奇异值最小原则确定了奇异截断值,采用L曲线法确定了最优正则化参数,并利用联合迭代反演法(SIRT)实现解的非负约束。模拟及实验结果表明,该算法对单、双峰分布的测量误差均小于3%,其抗噪性能、测量准确性、时效性及粒径测量范围相较其他反演算法都有明显优势。