3RPS/UPS并联机器人神经网络观测器反演控制

为了增强4D互动立体游戏仿真模拟平台的刚度和运动性能,将带冗余结构的3RPS/UPS并联机器人应用其中。首先对其结构进行介绍及逆运动学分析,然后针对传统PID控制在控制精度方面的不足,提出了一种基于神经网络观测器的反演控制方法。最后利用MATLAB对其进行建模以及系统仿真实验,并与传统PID控制以及一般的RBF神经网络自适应控制进行对比。由仿真结果可以看出,根据RBF神经网络观测器估计系统状态值,并应用反演控制理论设计控制器,能实现很好的状态观测,从而实现无需速度信号的位置跟踪。该方法也能够在一定程度上提高精度,且其整体控制效果优于传统PID控制器,相比于一般的RBF神经网络自适应控制也有了一定的改进。

自动化专业课程体系建设研究——以湖南大学为例

课程体系是改进和保障教育质量的关键要素之一。针对自动化学科发展对人才培养模式所提出的最新问题,介绍了湖南大学自动化专业的课程体系现状,具体分析了课程体系与工程教育认证标准的吻合度课程设置具体情况、实践教学体系设置情况、毕业设计(论文)设置等。最后对自动化专业课程体系建设提出了若干思考。

基于机器视觉的柱面标签缺陷检测方法

在饮料食品行业中饮品的包装标签包含了饮品的各种信息,其好坏关系着饮品是否合格。针对近似圆柱的饮品包装标签设计了一种基于机器视觉的标签缺陷检测方法,能够多方位的采集到柱面饮品标签的图像信息。针对柱面饮品标签存在的形状畸变,提出了一种柱面反投影校正算法;将经柱面反投影后相邻标签图像进行配准,采用非线性权重融合成完整的柱面标签展开图;最后对标签展开图的颜色空间进行信息提取,采用双阈值和形态学处理来判断该饮品标签是否合格。实验结果表明该方法能较好的实现柱面饮品包装标签的缺陷检测,有望应用于饮品灌装生产线。

光纤Bragg光栅力觉传感器在健康医疗领域的应用

在微创手术等现代医疗过程中普遍存在力触觉反馈缺失、健康体征监测系统有待完善和提升等问题,使得力触觉感知成为了机器人领域中热门的研究方向。传统的电学类传感器存在明显的体积大和生物相容性差等问题,难以直接应用于微创手术等场景。光纤Bragg光栅(Fiber Bragg Grating,FBG)传感技术因其抗电磁干扰能力强、生物相容性高、宽带宽和尺寸小等特点,正被广泛应用于健康医疗领域。主要介绍了FBG力觉传感器的工作原理及其传感特性,详细叙述了国内外基于FBG的力触觉传感器在健康医疗方面的研究现状和应用情况,并展望了光纤光栅式力觉传感技术在健康医疗领域的发展趋势。

基于卷积神经网络的印刷电路板色环电阻检测与定位方法

色环电阻是印刷电路板(PCB)中最常用的电子元器件之一,主要依靠色环的排列顺序和颜色等视觉信息进行区分,易发生装配错误。但是色环电阻装配质量的人工检测方法效率低、误检率高,而传统的基于图像处理技术的自动检测方法鲁棒性较差,难以解决不同拍摄角度、物距及光照条件下的PCB板色环电阻检测问题。针对这一问题,该文提出一种基于卷积神经网络(CNN)的PCB板色环电阻自动检测与定位方法,首先采用编码器-解码器结构的卷积神经网络模型及带有权重的交叉熵损失函数的网络训练方法,较好地解决了复杂光照及场景下PCB板色环电阻的图像分割问题;然后采用最小面积外接矩形方法定位单个色环电阻,并通过仿射变换对色环电阻位置进行垂直校正;最后通过高斯模板匹配方法实现了色环电阻的色环定位。采用1270幅PCB图像对该文方法进行了实验和验证,并与传统的基于形态学和基于模板匹配的色环电阻检测方法进行了对比,结果表明,该文方法在召回率、准确率及重叠度等性能指标上具有明显优势,处理速度快,能满足实际应用要求。

行人检测算法ACF的后处理改进

在无人驾驶技术的发展过程中,行人感知和检测技术被公认为最重要的技术之一。因其不但对准确性要求极高,而且行人检测的实时性也对于无人车能否及时避险有着很重要的意义。ACF(Aggregate Channel Feature)算法是公认的快速行人检测算法之一,针对传统后处理方法的不足,对其提出了改进方法。该方法引入了高分保留尺度比变量和区域扩散抑制策略对行人周围的误检窗口进行动态阈值抑制,基于行人本身的宽高比特性提出窗口修正机制,使误检变为正确窗口。在INRIA行人检测数据集上进行测试,可以使ACF算法在不损失过多时间的情况下,大大提高行人检测精度。

优化极限学习机算法及其在力信息解耦中的应用

高性能解耦算法有助于提高多维力传感器的检测精度。针对传统非线性解耦算法存在精度较低等缺点,对极限学习机算法进行了优化和改进,并将其应用于多维力信息解耦。在基于粒子群和遗传算法两种改进极限学习机算法(PSO-ELM、GA-ELM)的基础上,提出了一种基于天牛须算法的改进极限学习机(BAS-ELM),天牛须算法针对极限学习机隐含层节点参数的每一维进行逐步的优化,使得整体损失函数最小。为验证算法性能,本文以六维力/力矩传感器为实验对象,将各类改进算法应用到力/力矩传感器的非线性解耦中,通过解耦实验可知,与其他算法相比,BAS-ELM解耦精度更高、收敛时间更短,对于非线性解耦具有更强的适应性。

基于Sauvola算法和神经网络的图像自适应二值化方法

二值化处理是文档图像OCR识别中非常重要的一个环节。针对目前主流Sauvola二值化算法存在参数需要人为确定、效果受设定的参数影响等问题,提出了基于Sauvola算法和神经网络的图像自适应二值化方法。在针对Sauvola算法的参数进行分析的基础上,阐述了开窗大小r与参数k对二值化结果的影响。使用SWT算法实现了开窗大小r的计算,将二值化视为对像素点的二分类问题,根据Sauvola算法的思想提取窗内的灰度均值、灰度标准差及当前像素点灰度值作为特征向量,并搭建全连接神经网络进行训练,训练后的神经网络可为每个窗生成特定的参数k,并判定各个像素点的二值化结果。实验结果表明,相较于使用人工精确调节的全局参数k的Sauvola算法,所提出的方法具有更好的自适应性和二值化效果,且具有较好的实用性和普适性。

基于RF-GA的六维力传感器解耦方法

多维力传感器的维间耦合问题严重影响了检测精度的提高。通过设计新型RF-GA(基于遗传算法的改进随机森林算法)解耦方法解决多维力信息的解耦问题,实现提高力传感器检测精度的目标。针对随机森林算法中含有大量子树,但每个子树的预测准度无法保证的问题,利用遗传算法对随机森林的子树进行筛选,保留优质子树,从而提高预测精度。以基于应变检测的六维力传感器为实验对象,将RF-GA算法运用到实际力信息解耦中,并通过解耦实验对RF-GA算法进行验证。与现有解耦算法相比,RF-GA解耦方法具有精度高、解耦时间短的优点,实验结果表明该算法能有效提高多维力传感器的解耦精度。

基于改进YOLOv5算法的PCB裸板缺陷检测

目的将基于深度学习的YOLOv5算法应用于PCB裸板的缺陷检测上,以提高检测的准确率。方法通过增加特征融合通路,将C2、C3、C4层直接与P2、P3、P4层相连,从而减小信息的损耗;引入更浅层的C2、F2、P2特征图以增加图像的细节信息;并且使用注意力机制SE_block,大幅提高原算法的准确率。结果改进后的网络的平均精度由91.54%提高至97.36%,提高了5.82%,并且对于各类缺陷,算法的检测精度都能保持在90%以上,满足工业的需求。结论文中的算法提高了检测精度,体现了浅层信息在小目标检测上的作用,验证了多信息融合通路的优势,彰显了注意力机制的优越性,相比于原算法具有一定的优势。

深度学习图像分割算法在胃癌病理切片中的可行性分析

目的采用基于深度学习的胃癌病理切片分割算法实现对癌症区域的识别。方法以U-Net网络为基本架构设计更深层次的胃癌病理切片分割算法模型Deeper U-Net(DU-Net)。采用区域重叠分割法将数据集分割成若干小块图片,然后利用预先训练好的DU-Net网络模型对分割的小图片块进行初次分割,并使用图片分类器清除假阳性样本,重新合成新样本。采用重复学习的方法使用新样本进行多次重复训练,将得到的结果应用全连接条件随机场(CRF)进行后续处理。最终得到胃癌分割图片并验证结果。结果经过3次重复学习后,DU-Net网络模型的平均精度为91.5%,平均交叉联合度量(IoU)为88.4%;相比于未经重复学习的基础DU-Net模型,其平均精度提升了5.6%,平均IoU提升了2.9%。结论基于深度学习的胃癌病理切片分割算法实现了精准的分割,提高了模型的泛化能力和鲁棒性,可用于辅助胃癌病理诊断。

基于上下文注意力机制的人体姿态估计网络

传统基于深度神经网络的人体姿态估计方法主要集中于网络模型的设计,对关节点、人体结构信息的建模关注较少。从人体结构建模的角度来看,现有的人体姿态估计方法仍然存在不足。首先,为了提升网络对人体结构信息的感知能力,提出了一种基于上下文注意力机制的人体姿态估计网络,通过注意力机制对人体关节点之间的相对位置关系进行建模。其次,为了增强训练数据集的规模和质量,提出了基于语义分割的数据增强方法。实验结果表明,对关节点相对位置的建模可以提升神经网络的感知能力。使用数据增强策略能够生成大量难样本,增强了网络的泛化能力。所提出的方法在COCO验证集上的人体姿态估计精度为79.5%,在COCO test-dev数据集上的精度为76.7%,高于其他具有相近复杂度网络的精度。

基于WiFi指纹的层级学习室内定位模型

随着物联网和信息技术的飞速发展,基于移动位置的服务近年来日益受到关注,同时也促进了室内定位技术的发展。基于WiFi指纹的室内定位技术以其部署广泛、成本低廉等优点受到了学术界的广泛研究。针对移动设备在室内环境中的定位问题,提出了一种层级学习室内定位系统(hierarchical deep learning indoor localization framework,HDLIL)。为获取和学习可靠的指纹特征,采用基于变分自编码(variational autoencoder,VAE)的特征提取模块来表征训练数据的潜在表示。通过构建多层神经网络来分析输入特征与位置输出之间的关系,并在输出层连接Softmax分类器,预测移动设备的位置。在定位阶段,移动设备接收测试数据并发送定位请求,然后通过加载HDLIL估计该测试指纹的位置。最后通过实验对HDLIL的定位性能进行了评估,讨论了不同定位因素对结果的影响,验证了该定位算法的精度及鲁棒性。