数码印花机承印物运动控制系统仿真研究

承印物输送是数码喷墨印花机的主要组成部分,为了提高数码喷墨印花机的稳定运行,对承印物运动控制系统进行MATLAB/Simulink仿真。首先阐述了印花机承印物运动控制系统的基本原理,对伺服电机和步进电机的特点做出了对比分析;然后介绍了永磁同步电机伺服控制原理;最后对数码喷墨印花承印物运动控制系统进行了建模并对永磁同步电机驱动采用SVPWM控制系统运行进行了仿真分析,从而实现了承印物运动系统速度响应快、转速、转矩控制性能好。实验结果表明,该方法在一定程度上提高了数码喷墨印花承印物运动伺服系统印花的精度和稳定性。

基于多尺度各向异性高斯核主方向角度变化的角点检测

角点检测在图像分析和计算机视觉领域有着及其重要的作用。各向异性高斯方向导数(AGDDs)可以很好的提取不同方向的图像局部灰度变化信息,并且具有很强的噪声鲁棒性,在对不同尺度下的轮廓信息和各向异性高斯方向导数进行研究后,将两者相结合提出了一种基于多尺度各向异性高斯核主方向角度变化的角点检测算法。该算法可以有效的降低角点检测的误检率。实验采用了两幅标注了真实角点测试图,在无噪声和加入不同等级噪声的情况下,对该算法和其它三种经典的角点检测算法从角点检测的能力和角点定位的精度进行对比。实验表明,研究所得的算法对于角点的检测具有更好的噪声稳健性和更低的误检率。

基于改进自适应网络的行为识别

行为识别在识别人体动作的过程中容易受到光照,遮挡等外界因素的不良影响,而骨架数据恰好能减轻上述因素的不良影响。对于行为识别数据量数据过大导致工作量增加的问题,深度学习技术的出现不仅提供了一个新的出路,而且其特殊的结构对于处理骨架数据比较容易。行为识别主要的挑战也来自行人的自主性太强导致观测视角随着行人不断变化,多变的视角不利于深度学习网络进行行为识别,容易导致动作误判。因此,首先针对视角变化的进行了研究并在网络框架中借鉴了一种新的视图自适应方案,使行为识别在动作持续时间内可以自动确定虚拟观察视点。然后研究了两种视图自适应神经网络,分别是基于带有长短期记忆(Long Short-Term Memory,LSTM)的递归神经网络和卷积神经网络(Convolutional Neural Network,CNN),在此研究之下构建了自适用深度卷积网络和自适应长短时记忆网络。接着在这两种网络中,通过一个新的视图适应模块学习并确定最优的观察视点,同时利用LSTM和CNN特性进行网络优化。最后对两种网络的最终预测结果进行融合,在NTU RGB+D数据集上的进行了广泛的实验来评估改进的自适应视点网络的效果。实验结果证明行为识别的效果得到了提高和优化,具有一定的鲁棒性。