基于多目标采样和改进Mask R-CNN的木瓜成熟度检测

目的:提高木瓜成熟度检测准确率及鲁棒性。方法:提出一种基于多目标采样和改进Mask R-CNN的木瓜成熟度检测方法。通过均值平均精度、准确率、精确率—召回率曲线和计算时间等指标,验证所提方法的有效性和鲁棒性,并将其检测效果与Faster R-CNN、RetinaNet和CenterMask等方法进行对比。结果:试验方法对木瓜成熟度检测的平均精度均值、50%平均精度均值、75%平均精度均值分别为98.43%,98.67%,98.68%,对未成熟、半成熟和成熟木瓜成熟度的平均检测精度为99.38%,98.81%,99.37%。结论:该方法可用于开发木瓜成熟度检测的电子系统,提升木瓜成熟度检测和木瓜分级的性能。

基于路由行为分析的网络拓扑测量目标采样

鉴于当前网络拓扑测量实践中目标采样的不充分以及测量模型的失真问题,提出了一类基于路由行为分析的目标采样方法:1)作为基准的均匀随机采样,2)作为优化方法的最小覆盖采样,3)针对路径多样性的末跳采样,4)针对目的前缀多样性的二分采样。基于真实测量数据回放的实验表明,通常的"/24选1"随机采样丢失了一半的拓扑信息,其中,约10%源自路径多样性,其余源自目的前缀多样性;最小覆盖采样不仅对路由动态性是顽健的,而且长期上优于均匀随机采样。

空间扫描相机点目标采样系统设计

为了使点目标图像信噪比高而且稳定,在对空间扫描相机点目标采样系统进行设计时需要对像元的排列方式、像元尺寸大小和扫描时的过采样倍数进行选择。文章建立了空间扫描相机点目标采样系统的数学模型,从数学模型中得到了系统的设计变量,并计算出了不同设计变量下的点目标采样结果。通过对采样结果进行分析,得到了理想情况下点目标图像信噪比随设计参数的变化趋势。需要在数学模型得到的采样结果基础上,综合考虑相机噪声、背景能量强度等因素的影响,对设计参数进行选择,从而得到高而且稳定的图像信噪比。文章对不同的像元排列方式、像元尺寸和过采样倍数的采样系统进行了仿真,对不同采样系统的图像信噪比进行了对比分析,得到了合适的设计参数。

双向过采样系统点目标采样模型与检出方法

传统的采样系统对点目标的能量收集能力差,图像信噪比低,像斑面积小。为了克服传统采样的缺点,在对弱点目标进行探测时可以采用双向过采样技术。建立了点目标采样系统的数学模型,分析了双向过采样系统对点目标的检测性能。通过点目标采样系统的数学模型,得到了双向过采样系统点目标像斑分布均匀、灰度梯度小、有一定的面积的特点。从而设计出针对双向过采样系统的点目标检出方法。采样模型得到的像斑能量分布表明,双向过采样系统对点目标的能量收集能力强,点目标像斑面积大,信噪比稳定,采样系统对点目标的空间相对位置有很强的适应能力。仿真分析表明,目标检出方法能够有效提高点目标图像的信噪比。

基于目标导向采样的机器人改进概率路图法研究

鉴于采样的完全随机性,传统PRM算法往往较难适用于具有狭窄通道工作环境下的机器人路径规划。为此,本文提出了一种融合全局目标导向采样、局部节点增强的改进概率路图法(Improved PRM),并将其应用于平面栅格地图场景及六自由度机器人的路径规划。首先将全局目标导向采样与随机采样有机结合,通过混合采样的方式来提高全局采样点落在狭窄通道内的概率,实现启发式地图增强;其次,经由节点权重思想对位于狭窄通道中的节点进行提取,并利用基于高斯分布的局部节点增强策略在狭窄通道中扩展新节点,增强地图连通性,以提高路径规划的成功率;最后,采用冗余节点剔除策略对算法规划的初始路径进行优化。Improved PRM算法在平面栅格地图中的仿真结果表明,该算法对于机器人路径规划的成功率可达89.3%以上,且综合评价指数及路径质量评价指数均高于其他算法;在六自由度机器人的仿真实验中,Improved PRM算法得到的平均路径代价比传统PRM算法降低约42.7%,成功通过狭窄通道概率也比传统PRM提高68个百分点。因此,相比文中所提其他算法,在具有狭窄通道的工作环境中,改进概率路图法在提高路径规划成功率、减少路径节点、保证路径质量等方面具有优势。

高维多目标电磁场逆问题计算的改进多重单目标Pareto采样算法

电气工程中的优化设计(电磁场逆)问题一般为多极值点的非线性全局优化问题。当需要考虑不同性能指标时,又必须同时给出多个非控解以供决策。这进一步加剧了问题的复杂度。虽然进化算法在多目标优化设计中获得了广泛应用,但对于目标函数超过三维的高维多目标优化问题,目前基于非控关系的多目标进化算法很难获得满意的优化结果。为此,人们提出了高维多目标优化的多重单目标Pareto采样(MSOPS)算法。该算法具有结构简单,计算复杂度低等优点。然而,研究表明,MSOPS算法收敛速度慢,优化结果往往缺乏多样性。为此,本文对MSOPS算法进行了改进研究,提出了目标矢量的拥挤操作以增加解的多样性,借助非均匀的目标矢量更新以及附加外部档案等改进措施对搜索区域进行有效地搜索,加快算法收敛。直线阵列和Yagi-Uda天线阵的实例分析、计算证明了本文算法的优越性和可靠性。

高维多目标优化设计的改进多重单目标Pareto采样算法研究

电气工程中的设计问题常归结为多目标优化问题。对于目标函数超过三维的高维多目标优化设计,目前基于非控关系的多目标进化算法很难获得理想的优化结果。为此,人们提出了多重单目标Pareto采样(Multiple Single Objective Pareto Sampling,MSOPS)算法。该算法结构简单,计算复杂度低。然而,研究表明,这种方法的最终优化结果往往缺乏多样性。为此,本文对MSOPS算法进行了改进研究,提出了目标矢量的拥挤操作,非均匀的目标矢量更新以及附加外部档案等改进措施以提高优化结果的多样性。通过与MSOPS-Ⅱ、HypE以及NSGA-Ⅱ算法在求解测试函数上的性能比较,证明了改进算法在Pareto解集上获得了更好的收敛性与多样性。最后,通过八木天线的优化设计验证了改进算法解决实际问题的有效性。

采样目标统计特性与CCD探测系统设计

基于信息理论研究采样成像系统 ,寻求提高图像质量的新途径。建立了图像采集系统分析模型 ,计算机仿真分析图像采集系统端到端信息率与采样目标统计特性的关系。研究结果表明 ,当采样间隔接近采样目标的平均空间细节时 ,图像采集系统端到端信息率最大 ,图像质量最理想。

改进RRT算法的全向机器人路径规划

针对快速扩展随机树(RRT)算法在进行全局路径规划时生成路径时间长,长度长,在采样时缺乏目标导引性。所以改进了一种目标偏向采样策略,通过引入由初始点,终点,障碍物和随机点构成的虚拟力场,促使随机采样导向目标点。对于障碍物远近的影响,设定障碍物影响的阈值,引入了自适应系数λ,在扩展步长方面,加入了角度约束,根据偏向目标点角度,选择不同的扩展步长。引入冗余节点剔除策略,缩短路径长度,最后加入贪心策略,减少不必要采样节点的个数。首先,在MATLAB2018a仿真进行实验对比,其次在实际环境中进行实验。实验结果显示,在路径搜索时间,拐点数量以及路径距离等均有明显的提高。

基于改进RRT算法的六自由度机械臂路径规划

针对快速扩展随机树(RRT)算法路径代价大、采样过程慢的问题,提出1种改进的RRT算法对六自由度机械臂进行路径规划。结合RRT*和RRT-connect算法的优点,应用目标采样的思想加强算法向目标点搜索的趋向性,引入贪婪思想提高算法效率,结合五次B样条插值对路径进行平滑优化,缩短规划路径的时间及长度;利用Python中的matplotlib功能包统计RRT与改进的RRT算法规划所需时长、采样点数与路径长度,且在ROS平台中利用动态规划库进行算法配置,验证改进算法的路径规划效果。结果表明:相比传统RRT算法,采用所提改进算法对六自由度机械臂进行路径规划,在平均路径长度上缩短了29.5%、在规划路径时间上缩短了8.5%,路径规划成功率提高至96.7%,验证了该算法在实际应用中的可行性。

基于改进RRT^(*)算法的机械臂路径规划研究

RRT(Rapidly exploring Random Tree)是一种基于采样的路径规划算法,非常适用于机器人的路径规划中,但是传统RRT^(*)算法存在耗时长、占用内存较大等缺点。所以针对这些问题提出一种改进RRT^(*)算法,该算法优化了父节点选取范围,在传统随机采样机制的基础上引入了目标偏置采样和启发式策略,减少了算法耗时且缩短了路径长度;引入了节点拒绝策略,消除转弯角太大的冗余路径的同时也进一步提升了算法效率。利用MATLAB进行了仿真实验验证,结果表明改进RRT^(*)算法能在更短的时间内搜索到一条从起点到终点的最短无碰路径,并且可以很好地应用于机械臂的路径规划中。

基于改进RRT算法的狭长空间无人车辆路径规划

针对狭长空间无人车辆路径规划系统,提出一种基于改进的快速搜索随机树(rapidly-exploring random trees,RRT)路径规划算法,以解决传统RRT算法随机性较大、路径缺乏安全性的问题.该算法通过加入自适应目标概率采样策略、动态步长策略对传统的RRT算法进行改进,同时考虑到实际情况中无人驾驶车辆的动力学约束,该算法加入车辆碰撞约束和路径转角约束,并针对转角约束会导致迭代次数激增的问题提出了一种限制区域内随机转向的策略,最终得到一条安全性较高的路径.采用计算机仿真对所提算法和现有算法的性能进行对比验证.所提算法在狭长空间相较于传统人工势场引导下的RRT算法迭代次数降低了33.09%,规划时间减少了6.44%,路径长度减少了0.06%,并且在简单环境和复杂障碍物环境下规划能力均有提升.所提算法规划效率更高、迭代次数更少.

基于改进RRT-Connect算法的路径规划研究

传统移动机器人的路径规划算法环境障碍建模复杂且容易陷入局部最小值,而基于采样的快速扩展随机树(RRT)算法通过随机节点快速扩展路径搜索效率低。RRT-Connect算法在RRT算法基础上提升了搜索效率,但存在路径曲折的问题。为此,在RRT-Connect算法基础上通过加入人工势场引导增长方法和目标偏置采样方法,改进算法规划路径的平滑性和速度。为验证改进算法的有效性,与RRT算法、RRT-Connect算法在不同复杂度环境中的执行性能进行比较。仿真实验的结果表明,改进算法在三种不同环境下的路径规划时间和路径规划长度以及标准差稳定性方面均优于其他两种算法。

基于改进双向RRT^(*)算法的机械臂路径规划

针对传统双向改进快速扩展随机树(RRT^(*))算法采样速度较慢以及产生路径较粗糙的问题,对6轴机械臂的运动规划进行分析,提出了一种基于目标采样和局部路径优化改进的双向RRT^(*)算法。首先,应用目标采样思想,在对扩展点进行筛选时,考虑随机扩展点与目标点的距离,保留距离目标点最近的随机搜索点;然后,对该搜索点进行扩展,减少不必要区域的搜索,使采样更加高效,搜索路径更优;最后,在此基础上,结合局部路径优化算法,对RRT^(*)算法中重布线随机树过程引入优化函数概念,计算两个节点之间最小距离所需节点,并连接该节点以降低路径曲折程度。将所提改进算法与原始双向RRT^(*)算法在不同测试环境下用机器人操作系统(ROS)进行仿真实验,实验结果表明,所提算法能有效优化算法规划路径,并提高规划效率。

合成宽带距离像的数学模型分析

推导出任意合成宽带波形下目标回波的通用模型,并分析了引起合成距离像失真的原因。基于分析结果,提出了一种新的合成距离像失真分析方法和误差评估准则。同时,从理论上讨论了运动目标特性与被提出误差评估准则之间的关系。仿真结果证实了理论分析的准确性。

基于改进RRT的路径规划算法

传统的RRT(Rapid-exploration Random Tree)算法具有搜索速度快,适用于解决动力学非完整性约束问题,但是由于算法本身的随机性,生成的路径比较曲折,甚至出现绕远路现象。为此,本文提出一种改进的RRT路径规划算法,该算法结合目标偏向策略,使算法快速向目标节点收敛;对选取节点的度量函数,加入了角度的影响;同时引入贪心剪枝思想,对冗余节点进行剪枝,提高了路径规划算法的效率;最后通过仿真实验,验证了该算法的正确性和有效性。

一种用于无人车路径规划的改进双向快速扩展随机树算法研究

快速扩展随机树(RRT)算法在生成采样点时,采用随机扩展策略进行盲目搜索,导致路径生长过程中缺乏方向性且规划速度缓慢。针对此问题,提出了一种改进双向快速扩展随机树算法(Bi-RRT)。首先,在节点的生成方式上,同时生成两个采样点,通过舍弃距离目标点较远的采样点来提高采样效率,确保采样点的有效性,加快路径规划速度;然后,结合自适应采样目标偏向策略,使路径的规划更具有方向性,能够逃离局部极小值。同时在规划过程中,两棵随机树分别选择对方生成的最新节点作为目标,以降低众多繁杂节点的产生,使路径生成更具有目的性;接着利用Matlab软件,将改进Bi-RRT算法同基本RRT和Bi-RRT两种路径规划算法进行对比分析。仿真结果表明,研究算法能缩短规划时间、减少迭代次数,具有较好的可行性和有效性。最后进行了样车实验,验证了研究算法的可靠性。

Dynamic path planning strategy based on improved RRT^(*)algorithm

In order to solve the problem of path planning of mobile robots in a dynamic environment,an improved rapidly-exploring random tree^(*)(RRT^(*))algorithm is proposed in this paper.First,the target bias sampling is introduced to reduce the randomness of the RRT^(*)algorithm,and then the initial path planning is carried out in a static environment.Secondly,apply the path in a dynamic environment,and use the initially planned path as the path cache.When a new obstacle appears in the path,the invalid path is clipped and the path is replanned.At this time,there is a certain probability to select the point in the path cache as the new node,so that the new path maintains the trend of the original path to a greater extent.Finally,MATLAB is used to carry out simulation experiments for the initial planning and replanning algorithms,respectively.More specifically,compared with the original RRT^(*)algorithm,the simulation results show that the number of nodes used by the new improved algorithm is reduced by 43.19%on average.

基于改进RRT算法的移动机器人路径规划方法

针对RRT(快速随机搜索树)算法在复杂环境下规划效率低,且规划的路径不平滑的问题,提出一种改进的RRT算法。首先引入一种全新的目标偏向采样策略,在均匀采样得到的随机点与目标点的连线上随机取一个点作为新的随机点进行树的扩展。其次对冗余路径节点进行剪枝处理,将路径起始节点与后续节点连线与障碍物进行碰撞检测,滤除无效的弯折路径。最后采用多项式插值的方法,依据节点的边界条件进一步对路径进行曲率平滑处理。通过仿真实验验证,论文算法不仅极大地提升了原算法的规划效率,而且在很大程度上优化了路径。

A matting method based on color distance and differential distance

A new matting algorithm based on color distance and differential distance is proposed to deal with the problem that many matting methods perform poorly with complex natural images.The proposed method combines local sampling with global sampling to select foreground and background pairs for unknown pixels and then a new cost function is constructed based on color distance and differential distance to further optimize the selected sample pairs.Finally,a quadratic objective function is used based on matte Laplacian coming from KNN matting which is added with texture feature.Through experiments on various test images,it is confirmed that the results obtained by the proposed method are more accurate than those obtained by traditional methods.The four-error-metrics comparison on benchmark dataset among several algorithms also proves the effectiveness of the proposed method.