针对目前原始自适应蒙特卡洛定位(Adaptive Monte Carlo Localization,AMCL)在相似环境下绑架检测容易出错且重定位极易失败等问题,提出基于墙角族语义尺寸链的改进AMCL算法.融合机器人多传感器信息和Gmapping算法构建二维栅格地图,基于...针对目前原始自适应蒙特卡洛定位(Adaptive Monte Carlo Localization,AMCL)在相似环境下绑架检测容易出错且重定位极易失败等问题,提出基于墙角族语义尺寸链的改进AMCL算法.融合机器人多传感器信息和Gmapping算法构建二维栅格地图,基于Yolov5获取室内环境的目标检测框和类别信息,结合GrabCut算法和贝叶斯方法构建增量式语义映射地图;通过墙角的凸、凹和墙角相对于机器人的方位角对墙角进行分类,充分发掘语义映射地图中各墙角之间、墙角与室内物体之间的类别和位置关系,构建墙角族语义尺寸链和相应检索表;在定位过程中,基于墙角族语义尺寸链进行全局预定位,提出绑架检测机制进行绑架检测,在检测到绑架事件发生后,基于改进AMCL算法实现定位自恢复.最后,通过真实环境下的绑架实验验证了本文方法的有效性,实验表明,所提方法的全局定位准确率、全局定位速率、绑架检测准确率和绑架后定位准确率在相似环境下分别提升了42%、214%、88%和72%;在非相似环境下分别提升了44%、152%、12%和92%;在长走廊环境下分别提升了36%、426%、26%和68%.展开更多
按失效形式对大规模废旧零/部件进行预分类,是提高废旧零/部件批量再制造效率与效益的重要保障。针对大批量废旧零/部件表面失效人工识别效率低、漏检率和错检率高,导致难以满足自动化在线检测与分类需求的问题,提出一种基于机器视觉的...按失效形式对大规模废旧零/部件进行预分类,是提高废旧零/部件批量再制造效率与效益的重要保障。针对大批量废旧零/部件表面失效人工识别效率低、漏检率和错检率高,导致难以满足自动化在线检测与分类需求的问题,提出一种基于机器视觉的废旧零/部件批量在线表面失效形式识别与分类方法。在分析再制造检测服务概念与废旧零/部件失效形式的基础上,针对图像视觉下废旧零/部件“近形-异类”表面失效形式误判率高的问题,利用ROI高斯学习策略对废旧零/部件表面失效区域精准定位,提取候选分类特征,利用遗传算法(Genetic Algorithm,GA)筛选出关键分类特征,采用支持向量机(Library for Support Vector Machines,LIBSVM)建立失效形式分类模型,并通过K折交叉验证方法(K-fold Cross-Validation,K-CV)对其惩罚因子和核参数进行优化。以某退役齿轮零件为例对该方法的有效性与可行性进行验证,结果显示:该方法对再制造回收零/部件失效形式的分类精度达到96.7%,比同类算法精度提高了2.3%,比熟练人工检测精度提高了2.5%,表明该方法不仅具有一定的理论优越性,而且具有广阔的应用前景。展开更多
文摘针对目前原始自适应蒙特卡洛定位(Adaptive Monte Carlo Localization,AMCL)在相似环境下绑架检测容易出错且重定位极易失败等问题,提出基于墙角族语义尺寸链的改进AMCL算法.融合机器人多传感器信息和Gmapping算法构建二维栅格地图,基于Yolov5获取室内环境的目标检测框和类别信息,结合GrabCut算法和贝叶斯方法构建增量式语义映射地图;通过墙角的凸、凹和墙角相对于机器人的方位角对墙角进行分类,充分发掘语义映射地图中各墙角之间、墙角与室内物体之间的类别和位置关系,构建墙角族语义尺寸链和相应检索表;在定位过程中,基于墙角族语义尺寸链进行全局预定位,提出绑架检测机制进行绑架检测,在检测到绑架事件发生后,基于改进AMCL算法实现定位自恢复.最后,通过真实环境下的绑架实验验证了本文方法的有效性,实验表明,所提方法的全局定位准确率、全局定位速率、绑架检测准确率和绑架后定位准确率在相似环境下分别提升了42%、214%、88%和72%;在非相似环境下分别提升了44%、152%、12%和92%;在长走廊环境下分别提升了36%、426%、26%和68%.
文摘按失效形式对大规模废旧零/部件进行预分类,是提高废旧零/部件批量再制造效率与效益的重要保障。针对大批量废旧零/部件表面失效人工识别效率低、漏检率和错检率高,导致难以满足自动化在线检测与分类需求的问题,提出一种基于机器视觉的废旧零/部件批量在线表面失效形式识别与分类方法。在分析再制造检测服务概念与废旧零/部件失效形式的基础上,针对图像视觉下废旧零/部件“近形-异类”表面失效形式误判率高的问题,利用ROI高斯学习策略对废旧零/部件表面失效区域精准定位,提取候选分类特征,利用遗传算法(Genetic Algorithm,GA)筛选出关键分类特征,采用支持向量机(Library for Support Vector Machines,LIBSVM)建立失效形式分类模型,并通过K折交叉验证方法(K-fold Cross-Validation,K-CV)对其惩罚因子和核参数进行优化。以某退役齿轮零件为例对该方法的有效性与可行性进行验证,结果显示:该方法对再制造回收零/部件失效形式的分类精度达到96.7%,比同类算法精度提高了2.3%,比熟练人工检测精度提高了2.5%,表明该方法不仅具有一定的理论优越性,而且具有广阔的应用前景。