面向RGB-D场景解析的三维空间结构化编码深度网络

有效的RGB-D图像特征提取和准确的3D空间结构化学习是提升RGB-D场景解析结果的关键。目前,全卷积神经网络(FCNN)具有强大的特征提取能力,但是,该网络无法充分地学习3D空间结构化信息。为此,提出了一种新颖的三维空间结构化编码深度网络,内嵌的结构化学习层有机地结合了图模型网络和空间结构化编码算法。该算法能够比较准确地学习和描述物体所处3D空间的物体分布。通过该深度网络,不仅能够提取包含多层形状和深度信息的分层视觉特征(HVF)和分层深度特征(HDF),而且可以生成包含3D结构化信息的空间关系特征,进而得到融合上述3类特征的混合特征,从而能够更准确地表达RGB-D图像的语义信息。实验结果表明,在NYUDv2和SUNRGBD标准RGB-D数据集上,该深度网络较现有先进的场景解析方法能够显著提升RGB-D场景解析的结果。

基于深度分层特征的激光视觉焊缝检测与跟踪系统研究

针对自适应性低的焊缝跟踪系统在实际焊接环境中易受噪声干扰的问题,结合深度卷积神经网络强大的特征表达能力和自学习功能,研究了基于深度分层特征的焊缝检测和跟踪系统,该系统可精确地从噪声污染的时序图像中确定焊缝位置。为彻底解决焊枪依循计算轨迹运动所出现的抖振问题,设计了模糊免疫自适应的智能跟踪控制算法。实验结果显示,在强烈弧光和飞溅的干扰下,传感器测量频率达20Hz,焊缝跟踪精度约为0.2060mm,且焊接过程中焊枪末端运行平稳。该系统能实现焊缝平滑的实时跟踪,抗干扰能力强,焊缝轨迹跟踪准确,能满足焊接应用要求。