基于双目视觉的物料三维空间定位算法

针对移动机械臂抓取物料过程中的三维空间定位问题,提出一种适用于双目视觉的物料定位算法。首先基于双目视觉成像原理,构建手眼矩阵,完成双目相机坐标系到机器人坐标系的转换;其次将注意力机制嵌入到主干网络的CSP结构中,采用一种YOLOv5s+CBAM改进网络结构,在自制的物料数据集上mAP达到99.1%,FPS为71,可实现物料抓取点位置的准确检测;最后针对抓取点立体匹配错误导致深度信息获取错误的问题,提出一种基于灰度值测距的SGBM改进算法获取深度信息。经实验检测,平均测距误差5.16mm,结合目标检测,可实现物料抓取点三维坐标的定位。     

基于多岛遗传算法的垂直轴风机翼型优化设计

为了解决垂直轴风力机的风能利用率在实际应用中低于水平轴风力机的问题,通过以多岛遗传算法为核心与翼型参数化、ICEM网格生成以及计算流体动力学(computational fluid dynamics, CFD)流场计算相结合,并以翼型的升阻比为优化目标,建立优化模型,进而开发自动优化评估流程,完成翼型的优化设计与气动性能分析。结果表明：相比初始翼型,优化翼型是非对称翼型,其最大相对厚度降低1%,升阻比提高17.78%,升力系数提高16.7%,为0.11c(c为翼型的弦长);其最大相对厚度对应在弦上的位置向翼型的前缘移动了0.036c。且翼型弯度明显增加,中弧线偏移量最大值为0.017 4c。优化翼型的前缘半径变化不大,但翼型尾缘夹角明显变小,翼型上翼面轮廓线相对平缓。     

基于模拟退火算法的垂直轴风机翼型优化设计

为了实现智能优化垂直轴风机翼型的气动特性,提高垂直轴风机的功率系数,通过模拟退火算法作为寻优方法,用气动性能计算工具XFOIL与MATLAB程序下的失速修正模型相结合用来计算翼型优化前后的气动特性;通过CST(class/shape function transformation)翼型建模法构建控制翼型曲线的翼型数学模型,选取翼型的控制参数为设计变量,翼型最大相对厚度以及最大相对厚度所处位置为约束条件,以翼型的最大升阻比为目标函数,建立翼型智能优化算法,并完成了对NACA0018翼型的优化设计.结果表明:优化后翼型的气动性能得到提高;最大升力系数提高了2％,升阻比的峰值提高了5.22％,最大切向力系数提高了6.77％.可见优化后翼型的失速性能得到了有效改善.     

高速铁路牵引网故障行波频谱成份分析

基于FFT频谱分析和FIR滤波技术原理对实际高速铁路牵引网馈线跳闸时的行波信号频谱进行了分析。结果显示:在(10～300)kHz频段,反射行波信号幅值较小,噪声信号幅值较大,整体波形在原点附近持续振荡;在(300～600)kHz频段,整体波形未发生明显的振荡,但在幅值较大的行波波头信号后,有较严重的拖尾峰存在。从600 kHz开始,随着频率的增加,行波信号的幅值慢慢下降,但主峰幅值信号下降的速度明显低于其后振荡过程中信号幅值的下降速度。     

行波测距用数据采集系统的设计

行波波头到达时刻差的确定是保证行波测距精度的关键。根据行波测距的要求,采用4通道60 MHz采集卡设计了专用的数据采集系统。并利用此数据采集系统进行了模拟实验,实验结果显示,所检测行波信号波头突变特性明显。在此基础上,可较容易实现对于行波波头到达时刻的精确确定。     

基于主成分分析和区域增长的结构光中心线提取

结构光中心提取是结构光三维测量中的重要环节,为了能够在光学条件复杂的情况下实现结构光中心线快速精确的提取,提出一种基于主成分分析(principal component analysis,PCA)算法与RG(regional growth)算法的提取方法。首先,通过图像掩模法提取结构光的感兴趣区域(region of interest,ROI);然后对ROI进行两次高斯卷积得到其梯度分布,根据梯度分布确定一个初始位置;利用主成分分析确定初始位置的法线和切线方向并在该位置沿法线方向进行二阶泰勒展开得到亚像素级中心点,将其作为区域增长的种子点进行迭代运算,最终得到结构光的中心线。本文方法与灰度重心法、Steger法在中心线提取效果和时间上进行了比较,实验结果表明:本文方法在光学条件复杂的情况下,能够在光学条件复杂的情况下,准确地提取结构光的中心线且速度更快。     

基于机器视觉的婴儿全身运动质量智能评估

针对婴儿全身运动质量评估问题，本文基于姿势识别对婴儿运动特征进行提取与分析，提出基于ResNet和反卷积层的婴儿姿势热力图识别模型，平均识别率达到86.9%；利用婴儿的二维姿势坐标，建立基于DenseNet的3D人体姿势识别模型，使用1D卷积网络及1D连接层，实现婴儿的2D姿势坐标到3D姿势坐标的升维推算；使用四元数作为空间向量表示方式，对婴儿主要肢体运动的角度、角速度、角加速度进行提取，并提出基于SVM的由婴儿肢体运动角度特征进行判定的婴儿异常行为识别模型。针对模型参数过多的问题，在保证模型整体识别率的情况下，使用主成分分析的方式对模型进行特征降维，提高整体识别速度，将维度由18维度降低至8维度后，整体运行时间减少近50%，且对于不同的视频样品均能正确分类。