基于精准信息采集与智能分析的新型消防机器人设计

针对现有消防机器人对火场内部环境识别模糊,信息采集能力差,智能分析能力弱,设计了一种新的消防机器人系统。首先,借助先进的双目立体视觉系统对火场现场的图像信息进行精确采集;随后,采用智能可视感知机器人系统对采集到的图像进行深度处理和分析;在此基础上,针对不同来源、不同格式的信息,运用多源异构信息集成技术进行有效集成,形成全方位、精确化的信息系统;最后,采用创新的各向异性卷积三维形貌指向性特征提取模型,将特定方向的关键信息精确地从三维形貌截面中提取出来,为火场分析提供强大的数据支撑。

基于深度图及分离池化技术的场景复原及语义分类网络

在机器视觉感知系统中,从不完整的被遮挡的目标对象中鲁棒重建三维场景及其语义信息至关重要.目前常用方法一般将这两个功能分开处理,本文将二者结合,提出了一种基于深度图及分离池化技术的场景复原及语义分类网络,依据深度图中的RGB-D信息,完成对三维目标场景的重建与分类.首先,构建了一种CPU端到GPU端的深度卷积神经网络模型,将从传感器采样的深度图像作为输入,深度学习摄像机投影区域内的上下文目标场景信息,网络的输出为使用改进的截断式带符号距离函数(Truncated signed distance function, TSDF)编码后的体素级语义标注.然后,使用分离池化技术改进卷积神经网络的池化层粒度结构,设计带细粒度池化的语义分类损失函数,用于回馈网络的语义分类重定位.最后,为增强卷积神经网络的深度学习能力,构建了一种带有语义标注的三维目标场景数据集,以此加强本文所提网络的深度学习鲁棒性.实验结果表明,与目前较先进的网络模型对比,本文网络的重建规模扩大了2.1%,所提深度卷积网络对缺失场景的复原效果较好,同时保证了语义分类的精准度.