基于人机交互的高精密磨具设计模型研究

传统采用多颗磨粒磨具模型设计高精密磨具时,由于该模型易出现凹坑等现象,导致磨具设计误差较大。为了提高磨具设计精度,设计基于人机交互的高精密磨具设计模型。模型总体结构包括物理层、数据层与技术层,模型中的人机交互模块中的LPC2138微控制器完成TFT触摸屏和主控制器间信号传输和控制,实现人机交互;模型通过自定义的通信协议确保各层间数据的有效通信。模型软件设计模板选择自动编程以及判定工具参数与行距确定方法,降低磨具设计误差。实验结果表明,所设计模型鲁棒性均值是95%,设计误差率和耗时的最大值分别是0.15和0.4 h,具有鲁棒性较高、设计误差小、效率高的优势。     

卷积神经网络用于关节角度识别与姿势评估

为了快速准确地输出各种工作姿势风险评估结果，提出采用Kinect v2与卷积神经网络识别人体各关节角度，并输出标准姿势风险的评估得分。首先使用亚像素角点提取的棋盘标定算法标定Kinect两个摄像头，其次使用改进后的双边滤波对深度图像去噪，使用卷积神经网络识别人体关节二维位置，结合深度信息获取实际三维坐标并计算人体关节角度，最后输出姿势风险评估得分。通过两种实验分别验证了提出的Kinect角度识别与姿势评估的准确性，表明该方法关节角度识别与姿势风险评估的准确率均较高，是一种低成本、高可靠性的姿势评价方法，具有一定的科学意义和工程应用价值。     

基于CNN的人体姿态识别

姿态识别是人机交互中重要的研究课题之一，随着机器学习与神经网络的发展，研究的方式和成果趋于多样化，姿态识别的应用价值也日趋广泛。本文通过构建卷积神经网络模型，该模型共有11层，在对采样的数据集中5种人体姿态进行卷积与池化操作，最后进入全连接层进行分类，从而完成对数据集的训练和识别。结果显示，相较于机器学习方法，该模型的识别性能更加优秀，且免去了复杂的特征提取方式设计，让网络自身提取特征进行识别分类，效果更好。     

视线追踪中一种新的由粗及精的瞳孔定位方法

基于图像处理的方法，采用了由粗及精的瞳孔定位思想，提出了一种高精度的瞳孔定位算法。该算法首先利用瞳孔区域的直方图，采用改进的最大类间方差法自适应地分割瞳孔区域，实现粗略定位，然后利用瞳孔灰度的梯度特性来精确定位瞳孔边缘点，最后在像素级瞳孔边缘点的基础上，采用亚像素定位方法，更精确地求得亚像素级瞳孔边缘点，并通过椭圆拟合的方法来精确确定瞳孔的中心位置。另外，针对瞳孔被遮挡的情况，本文提出了一种等距离补偿瞳孔的方法。多次实验结果证明了该算法对遮挡瞳孔的定位有较强的鲁棒性，可以准确地定位瞳孔的位置。