基于融合和区域特征分析的船型设计开发研究

本文以某80000吨级散货船为优化对象,应用基于融合和区域特征分析的两种新船型几何设计技术,结合船舶CFD阻力和自航评估技术,开展以设计吃水下快速性能为目标的船型设计和性能分析研究。整个设计过程以参考船为设计起点,从减小船体阻力、改善兴波和艉部伴流的角度入手,分别开展船型艏部和艉部的型线自动变形设计,对比分析改型方案在同一模型尺度下的CFD数值模拟评估结果,并获得快速性能优秀的船型设计方案。最后,通过静水中的快速性模型试验,对设计工况下的收益效果进行验证,结果表明,相比于设计原型,最终优化船型在航速为14.0 kn时的实船预报收到功率下降了约5.6%。

基于RGB-D深度图像的船体板架非结构面模型重建方法

[目的]为准确、快速地重建船体板架非结构面三维形状,便于船体结构变形的高精度高效率测量,设计一种基于RGB-D深度图像的模型重建方法。[方法]首先通过随机抽样一致性算法与最小二乘法相结合的方式剔除点云集中的异常数据,再利用RGB彩色图像棋盘格标靶位置信息对结构多视角点云进行配准;其次将结构物面进行区域网格划分并对点云进行聚类,运用最小二乘法原理对每个网格点云子集进行空间曲面拟合,实现点云融合,在此基础上采用高阶面元实现船体结构外板表面的三维重建;最后,通过试件重构模型与激光扫描点云进行对比,验证模型重建方法的精确性。[结果]结果显示,试件三维重构模型较激光扫描点云随机点的均方根误差为1.02 mm,建模精度满足船舶建造工程需求,同时结构RGB-D深度图像数据获取时间相比于激光扫描可忽略不计。[结论]研究表明,提出的模型重建方法能够准确高效地完成船体板架非结构面三维重构,为船体结构变形测量提供了有力的数据支撑。

多先验融合的图像显著性目标检测算法

为了更加准确地检测出图像中的显著性目标,提出了多先验融合的显著性目标检测算法。针对传统中心先验对偏离图像中心的显著性目标会出现检测失效的情况,提出在多颜色空间下求显著性目标的最小凸包交集来确定目标的大致位置,以凸包区域中心计算中心先验。同时通过融合策略将凸包区域中心先验、颜色对比先验和背景先验融合并集成到特征矩阵中。最后通过低秩矩阵恢复模型生成结果显著图。在公开数据集MSRA1000和ESSCD上的仿真实验结果表明,MPLRR能够得到清晰高亮的显著性目标视觉效果图,同时F,AUC,MAE等评价指标也比现有的许多方法有明显提升。

基于显著性映射与兴趣点凸壳的图像融合算法

提出了一种基于显著性特征的可见光与红外图像融合算法来改善目标的融合质量.引入显著检测器对红外图像进行处理,生成显著映射;进一步分析红外图像并检测兴趣点,提取图像中的显著兴趣点;通过计算显著兴趣点的凸壳确定显著区域;利用显著兴趣点凸壳对初始显著映射进行优化,使目标定位更加精确。根据区域映射获取可见光图像的背景区域;根据不同的融合准则对目标、背景区域进行融合,获得最终的融合图像.结果表明与当前可见光图像融合技术相比,所提算法在标准差、联合熵与边缘信息因子等指标方面具有优势,其融合图像的细节纹理更清晰。

一种基于分层模型的TSP构建算法

提出了一种新算法,有效地减少了最近邻域法和贪婪算法在构建旅行商问题可行解过程中引入不合理长边的问题。该算法先借助一种由伪凸包算子所得到的分层模型对旅行商问题中的城市分布进行分析,之后通过将分层模型中相对外层的点逐个添加到内层的规则得到可行解。借助仿真实验求解TSPLIB标准库中的40实例,并与最近邻域法和贪婪算法进行对比,结果表明分层融合算法具有更高的精度,其平均求解质量达到8.47%。

融合GA的三点定位夜间苹果目标的识别算法研究

针对苹果采摘机器人不能准确定位夜间苹果目标的问题,提出一种融合GA的三点定位算法。该算法首先利用a-Cb-R融合空间分类将夜间苹果目标与背景分离,然后采用Canny算法和凸壳理论获取夜间苹果目标的真实轮廓,最后采用融合GA的三点定圆算法实现夜间苹果目标的准确定位。试验结果表明,针对枝叶遮挡率小于50%、大于50%和重叠果实三种情况,融合GA的三点定圆算法平均假阳性率分别为1.272%、2.728%和3.052%,平均重叠系数分别为92.199%、80.188%和82.02%,平均假阳性率分别较三点定圆算法降低1.328%、2.349%和2.273%,比Hough变换算法分别降低5.829%、7.731%和4.344%,平均重叠系数分别较三点定圆算法提高6.069%、8.887%和12.278%,比Hough变换算法分别提高30.738%、27.853%和34.778%,表明融合GA的三点定圆算法提高定位精度,可以较精确的实现夜间苹果目标的定位。

基于先验信息的显著性检测算法研究

为了使图像显著区域的检测更加完整,结合前景和背景信息研究了一种基于先验信息的显著性检测算法。首先在超像素的基础上,利用颜色增强Harris角点算法构造凸包,根据凸包内外超像素间的颜色、空间位置差异,得到基于凸包先验的显著图;其次根据图像四周边界信息获取图像边界超像素的背景种子,利用前景与背景超像素的的颜色、空间位置差异,得到基于图像四周背景种子的显著图;最终结果由上述得到的两个显著图线性加权融合得到。结果表明,在可视化结果的完整性及各个评价指标方面优于现有公开的经典算法。可见,本文算法具有一定的可行性。

Effective approach for outdoor obstacle detection by clustering LIDAR data context

A method of environment mapping using laser-based light detection and ranging （LIDAR） is proposed in this paper. This method not only has a good detection performance in a wide range of detection angles, but also facilitates the detection of dynamic and hollowed-out obstacles. Essentially using this method, an improved clustering algorithm based on fast search and discovery of density peaks （CBFD） is presented to extract various obstacles in the environment map. By comparing with other cluster algorithms, CBFD can obtain a favorable number of clusterings automatically. Furthermore, the experiments show that CBFD is better and more robust in functionality and performance than the K-means and iterative self-organizing data analysis techniques algorithm （ISODATA）.