圆度最大内切圆法、最小外接圆法的快速自动处理

为快速评定圆度误差,本文从最大内切圆及最小外接圆(以下简称切接圆法)的判别准则出发,对选点方法作了较好地分析与试算,供大家参考。

应用多内切圆法确定铸件缩孔位置及模数

根据相交几何体铸件相交处各非散热面大小、数量及相对位置的关系，在其断面上画出多个内切圆，内切圆之间的区域就是铸件最后凝固区域，也就是可能形成缩孔的范围，该区域的中心位置即为缩孔中心。利用多内切圆构成的界面范围来计算铸件的模数，能为铸件工艺分析和设计工作提供较为准确的依据。

大豆茎秆相关表型自动检测方法研究

针对成熟期大豆植株中茎节数和茎粗表型的自动获取问题,将其分解为茎节识别、茎秆区域检测、茎节定位与排序、茎粗计算等若干子问题,提出一种融合目标检测、语义分割、路径规划等算法的茎秆表型自动检测方法。以A*寻径算法和目标检测算法为基础,实现了茎节自动检测与计数;以类比法、曲率法和最大内切圆法为基础,实现了茎粗自动检测与计算。针对成熟期植株中豆荚遮挡导致茎秆表型检测精度不佳的问题,在以YOLOv5s为基准的目标检测模型上融入坐标注意力机制,以增强对被遮挡茎节的关注,同时,针对豆荚密集导致的茎节误检问题,设计融合位置信息的过滤算法,将茎节检测任务的平均检测准确度(mAP)提升至93.2%,高于基准模型2.4百分点。使用语义分割模型识别茎秆区域,优化后的均交并比(mIoU)达82.6%。基于语义分割后的茎秆区域,对比3种茎粗检测方法,以最大内切圆法准确率最高。在实际植株样本图片上的检测结果表明,所提出的方法在茎节数和茎粗表型上的平均绝对误差分别为1.33个和0.99 mm,与人工测量的阈值要求基本相符,均方根误差分别为1.74和1.20,平均绝对百分比误差分别为8.96%和16.37%。

基于LabVIEW的圆度误差算法实现

文中对圆度误差评定算法进行了研究,为最小区域圆法、最大内切圆法设计了一种基于LabVIEW的迭代求优法,该算法以最小二乘圆圆心作为初始圆心,将中心最佳移动法与交叉弦法及三角形法则相结合,以得到最佳的理想圆心,并把这种算法用LabVIEW实现,提高了测试的精度和速度。

轴孔配合基础下的圆度误差优化算法研究

文章对轴孔配合存在的圆度误差进行了研究,提出了粒子群算法计算最小外接圆和最大内切圆拟合准则下的圆度误差值。对传统的粒子群算法做出改进。改进后的粒子群算法收敛速度更快,更易求出圆度误差。

环状编码标记点的高效提取与鲁棒识别算法

针对当前环状编码标记点(CCT,circular coded target)的提取与识别算法效率、识别率较低的问题,提出了一种高效提取与鲁棒识别算法。介绍了编码标记点的特征及编码方式,采用提出的六点法获取目标点近似成像中心、边缘检测和椭圆拟合及边缘筛选,实现CCT的提取;根据CCT的仿射变换不变性提出的等分椭圆内切圆法,实现CCT的识别。对提出的算法进行了实验验证,结果表明,提取算法可有效剔除干扰且运行快速,效率高;椭圆拟合最大偏差与平均偏差分别小于0.06pixel和0.03pixel,精度高;识别算法在各种恶劣条件下均能得到正确结果,鲁棒性强;在复杂背景下,全局漏识别率、误识别率及平均运行时间分别为4.34%、0.47%和7.22ms,相对于其他识别算法,综合性能最优。