基于感兴趣区域的机器人抓取系统

智能抓取机器人能够代替人类完成高强度工作,为实现物体的准确定位,提升机器人抓取的成功率,对基于感兴趣区域的机器人抓取系统进行研究。对深度相机进行标定,对深度卷积神经网络损失函数进行改进,使用焦点函数代替传统的交叉熵函数,训练模型,得到目标的类别、二维包络框中目标的像素坐标值与深度值等信息。利用手眼标定方法将深度传感器坐标转换到机械臂基坐标系下,依据相机成像原理完成物体的定位。通过机器人逆运动学求解关节角度,驱动机器人实现抓取。对实验过程进行分析,在aubo_i5机械臂上进行实验验证。实验结果表明,目标的识别定位误差较小,平均精度值提升了2.36%,抓取的平均成功率达到93.4%,较改进前提升了13.4%,能够满足机器人抓取的需求。     

基于级联卷积神经网络的番茄果实目标检测

为了使采摘机器人在收获番茄时更加精准地识别目标果实,采用改进后的Cascade RCNN网络对温室内的番茄果实进行目标检测.将Cascade RCNN网络中的非极大值抑制算法替换为Soft-NMS(soft non-maximum suppression)算法,采用适合番茄形状的锚框,增强网络对重叠果实的识别能力,与原Cascade RCNN网络相比,目标识别的准确率提高了近2％,在识别番茄果实的同时,该网络对番茄的成熟度进行了简单分类.为进一步验证网络性能,将改进网络与经典的Faster RCNN网络和YOLOv3网络进行对比.实验结果表明,改进网络能够准确地识别出番茄果实,并对成熟番茄与未成熟番茄做出区分.该方法可为温室内番茄果实的采摘提供技术支持.     

基于D-UNET的胎儿产前超声检测

胎儿的产前超声检测对判断或预测孕妇孕期、估计胎儿尺寸和质量具有重要意义.超声检测主要是基于超声图像对胎儿的腹围(abdominal circumference)、股骨长(femur length)以及头臀径(crown-rump length)等参数进行测量.这些生物参数的测量可以用来判断胎儿的生长状况是否良好以及胎儿是否畸形.当前,这些参数需要依靠医生进行手动测量,该方法效率低下且严重依赖医生经验,从而导致检测准确率下降.对此,本文提出了一种基于深度学习的算法来对腹围、头围、股骨等部位进行自动分割,并对这些生物参数进行自动测量.该算法基于UNET结构,并采用扩张卷积(dilation convolution)以提高网络提取上下文信息的能力,因此本文将其命名为D-UNET.本文基于腹围、股骨以及头臀径三个临床数据集对所提D-UNET进行了实验验证,并与一些其他先进的深度学习分割算法进行了比较.实验结果表明,本文算法在三个数据集上都表现了与专家医师手动标注接近的测量结果.由此说明,本文算法能辅助医师对生物参数进行自动测量.     

基于生成对抗网络的面部修复

如何更好地对受损的面部图像实施相应的修复,根据此问题指出了一类基于生成对抗网络改良以后的面部修复算法.首先,在生成模型中把编码器和解码器的中间层的全连接换成逐信道全连接,在编码和解码阶段使用卷积操作代替池化操作,针对损失函数采用的激活函数进行改进,增加tanh函数,提高图像补全效果.然后,在保证功能上不受损并且输入、输出尺寸保持原状的条件下对判别器的模型进行了相应的改良,最后,对损失函数引进TV损失、重建损失这二者来实现对生成网络的优化处理,由此提升细节图像方面的修复实力.通过实验表明,使用该方法修复后的面部图像,比先前的方法更清晰更连贯.     

基于深度学习的树种图像自动识别

【目的】为了探究深度学习方法用于林业树种图像智能识别的可行性,提出一种基于深度学习方法的自动识别树种新方法。在TensorFlow框架下,对卷积神经网络(CNN)模型进行改进,对7类树种图像进行自动识别研究。【方法】首先,在图像库建立时,为增加特征选择多样性,选择树木的树皮和树叶图像,保留自然背景;另外,考虑到同一树种在不同树龄条件下树皮图像存在差异,因此加入不同树龄的树皮图像,并用胸径指标来表示树龄大小。其次,对每类树种图像随机挑选100张作为测试集,剩余数据集全部作为训练集。通过反复试验比较不同CNN结构设置、卷积层数量、全连接层层数、学习率等对结果的影响。采用Adam算法代替传统的随机梯度下降(SGD)算法,对模型进行优化,用指数衰减法对学习率进行调节,在交叉熵函数中加入L2正则项对权重进行惩罚,并采用Dropout策略和ReLU激励函数,以避免训练过程中过拟合现象。最后,确定适合试验要求的13层CNN结构,同时比较深度学习方法和传统人工特征识别方法的差异,与已有的树种图像识别方法做对比。【结果】提出的13层树种图像识别模型,对训练集和测试集取得了理想的识别效果,识别率分别为96.78%、91.89%,在未参与训练的验证集上取得了96%的平均准确率。相对于已有的人工特征识别方法,所提出的方法识别效率和准确度更高。【结论】基于改进的卷积神经网络树种识别模型识别效果明显高于传统方法,说明所提出的方法能够应用于树种识别,可为林业树种图像自动识别提供一条新思路。     

热传导方程热核的一些性质

考虑热传导方程的热核性质,给出了周期热核的泊松和表示及与黎曼函数的关系,证明了周期热核的复解析性质,指出了热核与拉普拉斯方程基本解的关系.     

含卷积核的完全奇异积分-微分方程的求解

研究一类既含卷积核又有微分的完全奇异积分方程求解问题,先通过积分变换将原方程转化为非正则的完全奇异积分方程,再进一步转化为无穷直线上的Riemann边值问题,并由具有间断系数的Riemann问题,得到原积分方程在{0}类中的可解条件及一般解的显式.     

基于叠前波场模拟的合成地震记录层位标定

常规合成地震记录层位标定方法没有考虑多次波和转换波以及处理过程对层位标定的影响.为减小合成地震记录与井旁地震道在波场特征上的差异,提高合成地震记录层位标定的精度,提出基于叠前波场模拟的合成地震记录层位标定方法:首先,利用常规方法进行测井曲线编辑和地震子波提取;第二,利用反射率法模拟井旁共反射点道集;第三,对模拟的共反射点道集进行正常时差校正和叠加;最后,以叠加道作为合成地震记录对地震反射进行层位标定.试验结果表明,此方法改善了合成地震记录与井旁地震道之间在地震反射上的一致性,提高了层位标定的可靠性.     

基于广义逆的无谱逆反卷积算法

在时域循环卷积运算实现反卷积方法的基础上,基于广义逆的概念提出了一种改进算法,该算法不仅可以有效地避开无谱逆问题,而且运算量增加较少,易于编程实现。     

计算二维数字卷积的二维重叠保留法

设ｈｋ２,ｋ２代表滤波器的系数（ｋ１＝０,１,…,ｌ２－１,ｋ２＝０,１,…,ｍ２－１）,ｘｎ１,ｎ２和ｎ１,ｎ２（ｎ１＝０,１,…,ｌ１－１,ｎ２＝０,１,…,ｍ１－１）分别代表滤波器的输入和输出,本文给出了计算ｙｎ１,ｎ２（它是ｘｎ１,ｎ２和ｈｎ１,ｎ２的线性卷积）的二维重叠保留法,这是一维重叠保留法的推广和发展．在许多应用中,输入和输出的长度很长,相比之下,滤波器的系数长度较短．如果用直接的方法计算ｙｎ１,ｎ２,其乘法运算的个数将很大．本文指出在数字信号处理领域中用重叠保留法计算ｙｎ１,ｎ２是有效的．这一方法通过计算一系列长为Ｎ和Ｍ的循环卷积来计算ｙｎ１,ｎ２（ｎ１＝０,１,…,ｌ１－１,ｎ２＝０,１,…,ｍ１－１）,这里Ｎ＝２ｄ,Ｍ＝２ｄ′,Ｎ＝Ｎ′＋ｌ２－１＜ｌ１,Ｍ＝Ｍ′＋ｍ２－１＜ｍ１．所以能够用快速数论变换（ＦＮＴＴ）或快速付里叶变换（ＦＦＴ）计算循环卷积．这有可能使我们用这一方法处理一个无限输入序列ｘｎ１,ｎ２和有限滤波器系数ｈｋ１,ｋ２的卷积