基于机器视觉的油田仪表示数自动识别方法

传统的以指针定位为基础进行仪表示数识别主要通过人眼确定指针位置,导致识别结果误差较大。因此,该研究将机器视觉应用在自动识别中,设计一种新的油田仪表示数识别方法。针对CCD摄像机拍摄的油田仪表图像,进行光照均衡、图像校正和图像分割处理,再通过Faster-RCNN网络结构检测并提取仪表示数图像的目标识别区域。运用机器视觉算法获取仪表刻度数值信息,并精准定位仪表指针位置。根据指针与最小刻度线夹角,自动识别出当前仪表示数。实验结果表明：所提方法的示数识别结果最大绝对误差仅为0.01 MPa,可满足油田仪表示数识别精度要求。     

基于二维卷积神经网络的无线局域网室内定位系统

为改善现有无线局域网（Wireless Fidelity, WIFI）室内定位算法的精度与复杂度问题,提出了一种基于二维卷积神经网络（2D-Convolutional Neural Network,2D-CNN）的WIFI室内定位算法。该算法将在线阶段的复杂性转移到离线阶段,在线阶段中仅使用2D-CNN网络进行训练;在离线阶段中,采集定位区域各采集点可接收到的所有无线接入点（Access Point,AP）的接受信号强度（Received Signal Strength Indicator,RSSI）值,并根据其计算峰值,二者结合构成位置指纹图像。再使用滑动窗口进行数据集扩充,最后将其引入到2D-CNN网络模型中进行训练,建立定位模型并完成定位。实验结果表明,在当前室内环境中,该算法的平均定位精度达99.58%,证实了不同参数、优化算法及模型架构选择的正确性。     

基于改进VGG-19的井下视觉指纹匹配定位方法

针对传统矿井电磁波测距定位存在依赖通信链路的问题,提出了一种基于改进的卷积神经网络VGG-19的井下定位方法．根据基于视觉图像进行识别的原理,将基于深度学习的计算机视觉技术应用于井下定位．不同间隔点位置图像的特征不尽相同,所以对井下的场景进行不同间隔的划分,在所取的间隔点处采集数据集,建立图像信息指纹库;将不同间隔位置点图像进行相应的标记分类,然后用迁移学习的方法将获得的数据集用改进的VGG-19网络进行训练,获得识别分类模型;运用识别分类模型可对不同位置实时图像进行识别,获得采集图像的设备位置数据,从而实现定位．所述定位方法得到的识别分类模型可在嵌入式系统设备运行,定位过程无须通信网络支持,极大简化了系统的复杂性,完全适应矿井灾后恶劣条件,可用于救援机器人等移动装置的井下定位,具有实时性、稳定性、抗干扰性,且有很好的定位准确率．     

基于机器学习的无线传感网络室内定位研究

无线传感网络在能耗量化传导过程中具有随机分布性,导致网络节点的室内定位精度不高,为了提高网络的室内定位准确性,提出基于机器学习的无线传感网络室内定位方法.构建无线传感网络室内定位的节点优化部署模型,采用能量负载均衡控制方法进行无线传感网络的路由探测协议设计,建立无线传感网络节点传输的链路均衡配置模型,采用机器学习算法进行无线传感网络室内定位过程中的自适应寻优,提取无线传感网络节点输出信号的能谱特征量,根据能谱的聚类属性进行无线传感网络室内定位优化.仿真结果表明,采用该方法进行无线传感网络室内定位的精度较高,能量开销较小,网络节点的组网部署能力得到提升.     

一种基于虚拟实景空间的测量与定位方法

为了增强测量与定位操作的直观性和方便性,文章提出了基于虚拟实景空间的测量与定位方法。首先将二维屏幕坐标转换为对应的单幅图像坐标,基于约束条件,利用单目视觉技术得到摄像机坐标系坐标,实现3种情况下的边长测量;已知前后位置的经纬度值,确定摄像机前进方向,利用摄像机坐标系坐标经计算得到目标的经纬度值,实现目标的定位。实验结果表明,该方法可以对物体进行有效的测量和定位,满足实际应用要求。     

自主足球机器人视觉系统结构及关键技术

提出了自主足球机器人嵌入式多处理器体系结构以及视觉系统的构成框架.对单目视觉系统所涉及的关键技术进行了详细的分析和研究,其中包括图像分割、目标搜索算法、目标定位和机器人自定位技术.基于YUV颜色空间,对目标进行分割,并通过连通区合并来快速搜索目标,同时根据摄像机模型来确定目标的空间位置.实验表明分布式视觉体现结构能够实时准确地完成视觉处理任务.以上新算法可以快速鲁棒地搜索图像目标,并能较精确地确定目标的位置信息和机器人的自定位信息.     

基于WSNs的模糊三角形定位模型研究

针对现有range-based定位模型与range-free定位模型存在的问题——定位精度低、定位延迟大、复杂度高和节点密度大等特点,提出了一种基于模糊识别的非测距定位模型.该模型首先在定位空间内设置若干个样本点,然后将无线传感器网络的信号强度与模糊数学的思想相结合,通过计算未知点与各个样本点的贴近度来获取该点的位置信息,该方法简化了坐标求解.最后借助几何解析与NS-2仿真手段对该模型进行了验证,结果表明模糊三角形定位模型具有较高的性能.     

基于单目序列图像的运动目标跟踪

对于视频监控图像中运动目标位置的检测,现有的定位跟踪系统主要采用双目或结构光立体视觉技术,存在系统设计复杂、检测速度慢等缺点.有鉴于此,文中将地面约束引入到单目视觉监控中,提出了一种单目序列图像运动目标跟踪方法.该方法利用摄像机安装信息和几何成像原理,结合非线性补偿,推导出单目不对称非线性成像的地面运动目标实际位置计算公式.通过搭建室内监控测试平台,在序列图像中进行了寻找步行者足印位置的实验,结果验证了文中方法的有效性.     

基于机器学习的Cortex-M监控视频车型识别

为了解决高速公路环境下监控视频图像车型识别需要将海量视频数据上传计算机服务器中心,对所有的视频流图像进行结构化处理和车型识别,造成服务器中心数据压力大、计算任务重,对服务器性能要求高的问题。对此,提出一种基于机器学习的Cortex-M监控视频车型识别的方法。首先,将训练机训练好的六种车型的权值矩阵文件移植到前端Cortex-M核系列开发板上,采用开发板内嵌的CMSIS-NN网络函数库搭建与训练机相同的网络模型结构;同时采用开发板内嵌的CMSIS-DSP库加快图像处理速度,并对选择处理监控视频图像实现车型识别;实验结果表明,该方法平均识别率达到94.6%以上,与采用计算机进行识别相同,可见该方法能够缓解大量视频上传给服务器中心造成的压力,为高速公路环境下监控视频图像车型识别研究提供了一种可选择的方案。     

基于人脸检测的教室信息智能采集系统

为实现对教室信息的提取、分析和识别,设计了一种基于Harr小波的教室数据智能采集系统。对采集的数字图像进行图像变换,通过教室格局对图像进行区域划分后再分割,通过标识状态建立训练数据集。对训练数据集的Harr小波提取子图像特征,建立数据向量。利用Adaboost分类算法对数据进行机器学习并抽取分类规则集。对各种教室信息进行识别后统计数据,通过网络传输给服务器。该系统实施便捷,可广泛用于各个教学系统。     

基于Adaboost的无源RFID射频层析成像伪目标识别

被动式定位(DFL)中的射频层析成像(RTI)算法主要运用在无线传感器网络(WSN)中.而物联网的快速普及使得无线射频识别(RFID)网络随处可见,所以本文提出了在无源RFID网络下实现RTI的被动式定位算法.针对多目标情况下的伪目标问题,提出了一种基于Adaboost的机器学习算法来去除伪目标,最终在目标数目未知的前提下实现至少3个目标的准确识别.实验结果表明提出的方法可行性很高,在定位误差为0.7,m时目标识别准确度达到86%,.     

无线智能网基于位置计费业务管理的设计与应用

结合无线智能网基于位置业务的网络模型及实现位置计费业务的标准定位方法，提出了实现无线智能网基于位置定位业务的方案，并用信令流程加以表示．定位技术和位置信息获取技术的引入，增强了计费的合理性、可靠性、方便性，极大地满足了用户的需求．     

基于数字电视信号的定位技术研究分析

目前,定位某个目标一般采用的是GPS定位技术,但是GPS定位技术需要至少接收到4颗GPS卫星信号,才可以确定目标的位置,当某目标运动到室内或高楼耸立的大城市中时,因为受到高楼的遮挡,使得接收机因接收不到卫星的全部信号而无法完成对目标位置的准确定位．为解决这一问题,文章研究了基于数字电视信号（DTV）的定位技术,利用电视台发出的数字电视信号辅助GPS进行联合定位,从而实现目标的无线定位跟踪．、     

基于序列图像的视觉定位

提出了一种静止摄像机条件下基于计算机视觉的工业机器人的定位算法。采用单目视觉系统,由线性摄像机模型推导出定位测量模型。通过序列图像,以一种改进的自适应混合高斯模型更新背景,运用背景差分法检测出运动目标,用CAMSHIFT算法实现对运动目标的跟踪,确定其位置和姿态,估计出运动参数,反馈给机器人指导其准确运动。实验结果表明,该方法快速、有效,能够满足视觉定位的实时性要求。     

基于空间变换双线性网络的细粒度鱼类图像分类

有效地识别水下各种鱼类目标具有重要的实际意义和理论价值.鱼类生存环境复杂,由于海洋的极端条件,水下鱼类图像的分辨率低,且图像类间相似度高、类内差异性大,并受光照、角度、姿态等的影响较大,这些因素使得鱼类识别成为一项具有挑战的任务.针对这些难点,提出了一个能够有效进行细粒度鱼类图像分类的深度学习模型.该模型包含空间变换网络和双线性网络两部分,首先利用空间变换网络作为注意力机制,去除图像背景中复杂的干扰信息,选择图像中感兴趣的目标区域,简化后续分类;双线性网络通过融合两个深度网络的特征图提取图像的双线性特征,使得对目标中具有判别性的特定位置有较强的响应,从而识别种类,该模型可以进行端到端的训练.在公开的F4K数据集上,该模型取得了最好的性能,识别正确率为99.36%,较现有最好算法DeepFish提高0.56%,此外,发布了一个包含100类共6 358张图片的新的鱼类图像数据集Fish100,该模型在Fish100数据集上的识别正确率高出BCNN算法0.98%.多个数据集上的实验验证了模型的有效性与先进性.     

基于深度神经网络的WiFi室内定位系统设计

针对地下停车场、地下矿井等用户场景定位服务的高精度需求,设计了一种基于WiFi信号的室内定位系统.系统的设计引入了深度神经网络算法,对WiFi指纹数据进行训练,得到一种室内定位模型.通过对UJIIndoorLoc数据进行实验仿真,结果表明,该室内定位模型的楼层定位准确率较传统机器学习模型提升约6%,位置定位精度较传统模型提升约7%.通过对实际应用场景进行测试,测试结果表明该室内定位模型的定位精度优于传统机器学习模型,提升约5%.     

基于RFID和惯性导航技术的矿井下车辆定位系统的设计

针对基于RSSI定位技术易受干扰的缺陷,设计一种将RFID技术和惯性导航技术相结合的矿井下车辆定位系统.该系统首先使用射频识别数字标签将井下区域进行分区数字化,然后经由车辆携带的位置解算单元获得车辆位置信息,再使用无线发射模块和井下传输网络将这些数据传输到地面管理控制中心,将车辆的位置信息进行显示和存储.     

一种无线视频传感器网络的协同目标追踪算法

无线视频传感器网络由嵌入摄像感知装置的无线传感器节点组成。节点可以获得图像视频等更加直观的客观物理量,通过参数标定直接获取目标位置坐标,实现快速精准的目标定位。相比传统传感器网络, WCSN使得目标跟踪内容更加丰富。基于WCSN的特点,提出了运动趋势动态分簇目标追踪算法。该算法在网络中形成一个动态簇,根据目标的移动而动态更新簇内成员,选举新簇头对目标进行追踪,直到目标走出监测区域。仿真实验结果表明,WTDC算法较传统目标追踪方法计算简单、效率更高。     

一种基于实景三维模型的定位方法

实景三维模型的建立是数字地球技术的一个重要组成部分,它包含了多种多样的地理信息,可以细致地还原出城市的形态面貌。将定位技术与数字地球的概念相融合,提出了一种基于实景三维模型的定位方法,通过将待定位点的影像与多源传感器生成的实景三维模型中的影像信息进行比对来达到定位的目的,由于实景三维模型数据量庞大,在此基础上先进行粗定位,确定用户所在的大概位置,最终将影像比对的搜索范围控制在100 m以内。     

视频图像中监控目标的空间定位方法

为解决视频监控系统中目标空间定位存在困难大、耗时等问题,根据OpenGL透视成像与摄影测量一致性原理,提出基于三维场景仿真成像,并依靠视频图像与仿真图像间的对应关系进行地理场景中目标的空间定位方法.在视频成像时摄像机内外方位元素已知的情况下,在三维虚拟场景中形成虚拟相机来模拟实际摄像机成像过程,并将监控目标所在视频图像中的像素坐标等比代入仿真图像,通过虚拟成像的逆过程反推出目标的空间坐标.为有效分析系统的定位精度,采用地面激光扫描仪+同步拍照相机组成的三维场景采集系统来模拟实际的高精度摄像机+数字云台组成的视频监控系统.实验结果表明,目标点与相机的水平距离介于10~90 m内,各目标点的空间定位在X、Y、Z三个方向的误差大多在±0.3 m之间,说明本方法是可行的.这对于通过视频监控图像实现户外目标的定位,具有重要的参考价值.