基于灭点的径向畸变自动校正方法

镜头畸变影响着三维重建、几何量测等工作的质量。本文根据图像中的灭点几何约束条件,提出一种基于灭点的弱径向畸变自动校正方法。为避免包含畸变中心参数的非线性模型优化结果的不稳定性,本文在求解径向畸变系数之后进一步对畸变中心进行优化。首先根据灭点几何约束条件建立关于灭点与径向畸变系数的非线性模型,使用LM算法估计灭点坐标与径向畸变参数,然后根据质量评价准则对畸变中心和径向畸变系数进一步迭代优化;最后,通过真实图像对该方法的可行性进行分析验证。本文充分利用图像中的灭点属性,提出一种新的镜头径向畸变校正方法。实验结果表明,该方法能够有效的对径向畸变进行校正,并克服了传统校正方法的不稳定性。     

一种基于控制点自动提取的图像畸变校正算法

在机器视觉应用中,摄像机光学系统产生的图像存在不同程度的几何畸变。为了提高图像在做定量分析时的准确性,必须对这一类畸变进行修正。在基于控制点的校正方法基础之上,研究了一种将图像分片,利用模板自动提取控制点亚像素坐标,分片校正的快速算法。实际应用表明,该方法是可靠有效的。     

基于色度畸变和局部交叉熵的阴影消除

精确地提取运动目标是智能视频监控系统的核心任务之一。残留的阴影会导致目标形状的扭曲变形、目标相互连接等多种问题,这将给目标跟踪和识别等后续处理工作带来许多困难。根据阴影区域特有的光学属性,提出了一种基于色度畸变和局部交叉熵的阴影消除方法。     

基于最优提升小波局部熵的轴承故障特征提取

为了解决轴承故障诊断中,传统无量纲指标没有考虑其他噪声干扰,且分析结果有一定偏差等问题,提出一种基于提升小波分解的局部熵无量纲指标特征提取方法.该方法采用最优提升小波进行分解,并结合局部熵提出一种无量纲指标,对滚动轴承振动实验信号进行故障特征提取,并与常用无量纲指标进行对比,验证了该方法的有效性.     

一种基于基本矩阵的相机畸变差自动校正方法

在计算机视觉的应用领域中,为了提高图像量测和3维重建的精度,必须对相机的畸变误差进行修正。为此提出了一种基于基本矩阵的相机径向畸变的自动校正方法,该方法不需要预先获得场景的结构信息和相机的内部参数,仅利用两张影像同名点集之间的内在几何关系,即可求取相机的径向畸变系数,进而可对这两幅图像的畸变误差进行自动校正。试验结果表明,该方法是一种有效的畸变图像校正算法,能够获得到满意的校正结果。     

基于BP神经网络的畸变图像校正方法研究

针对传统的非线性畸变图像校正方法存在模型建立较难等缺点,本文采用基于神经网络畸变图像校正方法,首先将免疫学中的克隆选择算法引入量子遗传算法,然后将这种混合的量子遗传算法和BP算法有机结合,优势互补作为神经网络的学习算法用于畸变图像的校正。实验结果表明该方法具有很高的精度。     

基于激光SLAM的运动畸变校正算法研究

针对目前激光雷达为降低成本进而降低速度呈现出的采样频率低、采样点稀疏的发展方向与提高移动机器人移动速度的发展要求不匹配的现状,设计实现了一种畸变矫正算法,通过获取移动机器人搭载的位置姿态传感器数据,运用滤波算法和球面线性插值算法对姿态进行滤波估计,从而实现激光点云的畸变矫正.最后通过搭建ROS提供的Gazebo仿真平台...     

权衡熵和相关度的自动摘要技术研究

生成高质量的文档摘要需要用简约而不丢失信息的描述文档,是自动摘要技术的一大难题。该文认为高质量的文档摘要必须尽量多的覆盖原始文档中的信息,同时尽可能的保持紧凑。从这一角度出发,从文档中抽取出熵和相关度这两组特征用以权衡摘要的信息覆盖率和紧凑性。该文采用基于回归的有监督摘要技术对提取的特征进行权衡,并且采用单文档摘要和多文档摘要进行了系统的实验。实验结果证明对于单文档摘要和多文档摘要,权衡熵和相关度均能有效地提高文档摘要的质量。     

基于模糊熵的轨道电路分路不良故障自动预警系统设计

为使预警软件能够准确识别轨道电路分路的不良故障行为,设计基于模糊熵的轨道电路分路不良故障自动预警系统。设置电源电路,借助RS485转RS232接口模块,将电源回路与微处理器元件、显示及报警模块相连,完成轨道电路分路不良故障自动预警系统硬件设计。根据熵性质定义条件,求解模糊熵参数,以此为基础,分析故障信号的模糊特征,完成模糊熵算法的预警原理研究。完善编码器-解码器结构模型,根据预警指标取值结果,界定警限区域范围,实现轨道电路分路不良故障预警体系的建立,完成基于模糊熵的轨道电路分路不良故障自动预警系统软件设计。对比实验表明,应用基于模糊熵自动预警系统,可将非故障电压与故障电压之间的差值水平控制在0.05kV之内,在提升系统主机对于轨道电路分路不良故障行为的预警能力方面具有突出应用价值。     

鱼眼镜头的标定和畸变校正研究

为在使用鱼眼镜头得到大视野图像的同时得到正常的视觉效果,研究鱼眼镜头的成像模型及内外参数的标定过程.相比常用的标定算法,采用基于镜头模型的标定方法;针对Davide Scaramuzza提出的全方位相机标定工具箱,指出其不足之处,对角点坐标的精度、标定系数矩阵稳定性和角点范围随意性三方面进行优化和提高;根据标定结果对鱼眼畸变图像进行畸变校正,得到正常视觉的平面图.实验结果表明,优化后的方法实现简单、鲁棒性强、结果准确.     

基于AR-MED和TEO的滚动轴承早期故障诊断方法

针对强背景噪声下滚动轴承早期故障信号信噪比低、特征提取难度大的问题,提出一种将自回归-最小熵解卷积(autoregressive-minimum entropy deconvolution,AR-MED)与Teager能量算子(teager energy operator,TEO)相结合的滚动轴承故障诊断方法.为了达到...     

基于BO-DKELM的滚动轴承故障诊断

滚动轴承作为旋转机械中的必需元件,其任何故障都可能导致机器乃至整个系统发生故障,从而导致巨大的经济损失和时间的浪费,因此必须要及时准确地诊断滚动轴承故障。针对传统极限学习机中模型参数对滚动轴承故障诊断精度影响较大的问题,提出了一种基于贝叶斯优化的深度核极限学习机的滚动轴承故障诊断方法。首先,将自动编码器与核极限学习机相结合,构建了深度核极限学习机(Deep kernel extreme learning machine, DKELM)模型。其次,利用贝叶斯优化(Bayesian optimization, BO)算法对DKELM中的超参数进行寻优,使得训练数据集和验证数据集在DKELM模型中的分类错误率之和最低。然后,将测试数据集输入到训练好的BO-DKELM中进行故障诊断。最后,采用凯斯西储大学轴承故障数据集对所提方法进行验证,最终故障诊断精度为99.6%,与深度置信网络和卷积神经网络等传统智能算法进行对比,所提方法具有更高的故障诊断精度。     

基于多尺度空间的直升机滚动轴承故障诊断

针对直升机系统与传递路径复杂,采集信号中成分多样,传统方式提取的特征难以有效反映信号健康状态,影响滚动轴承诊断精度等问题,在传统时域指标的基础上,结合多尺度空间对特征空间重叠和信号跨尺度复杂性问题上的优势,构建多尺度指标作为故障分类的依据。根据ReliefF算法对原始高维多尺度特征迭代计算得到权重,利用权重值进行特征选择,同时减轻计算成本。权重最大的一部分特征将作为随机森林模型的输入,利用其多分类器集成学习的优势,进行滚动轴承故障分类诊断。通过滚动轴承公开数据集来说明所提方法的优势和可行性。数据处理结果表明,多尺度特征较原始时域特征具有更好的分类性能,并且随机森林在该算法中较其他分类模型分类效果更好。     

基于MFCCS和改进VPMCD的滚动轴承故障诊断

将梅尔倒谱和系数(MFCCS)与改进的基于变量预测模型的模式识别算法(VPMCD)相结合,提出了一种滚动轴承故障的诊断方法.将语音信号识别中最常用的特征参数梅尔倒谱系数(MFCC)应用到轴承故障诊断领域,提出了适用于滚动轴承故障识别的特征参数梅尔倒谱和系数.同时,采用主成分分析(PCA)方法来解决VPMCD方法中求解得到的预测模型方程系数与理想系数存在偏差的问题.然后,使用改进的VPMCD算法对特征参数进行训练,再利用预测模型对待诊断样本数据进行模式识别和诊断,并用实验室模拟试验台的数据,对该方法进行了验证,实验结果能够有效区分轴承的故障种类,证明了方法的有效性.     

基于粒子滤波状态估计的滚动轴承故障识别方法

提出了一种基于粒子滤波状态估计的滚动轴承故障识别方法,该方法主要包括故障模型建立和故障识别两个步骤。在故障模型建立部分,首先依据滚动轴承不同故障状态下的振动信号,建立对应的自回归模型,作为故障模型;在故障识别部分,将正常状态下对应的模型,转化为状态空间模型,设计粒子滤波器,然后对不同的故障状态进行估计,提取其残差的相关特征,并结合模型参数特征应用BP神经网络识别算法进行故障识别。最后以美国凯斯西储大学的滚动轴承振动数据为例,验证了该方法的有效性。     

基于灰关联理论的滚动轴承故障诊断研究

针对实际工程中滚动轴承故障的复杂灰特性以及不确定性问题,提出了基于灰关联理论故障诊断方法。灰关联理论具有"小样本、贫信息、不确定性"问题处理能力强、计算复杂度低等优点。通过对灰关联原理、灰关联系数与分辨系数的关系,以及分辨系数的性质和取值原则的研究,成功地将灰关联理论应用于滚动轴承的故障诊断。仿真实例研究结果表明,灰关联故障诊断方法计算简单、诊断结果与定性分析结论一致,便于形成知识库中的规则,对工程实践具有理论指导作用,且对样本数量及其分布规律没有特殊要求,有较大实用价值。     

基于小波包分析的电机滚动轴承故障诊断

电机滚动轴承发生故障时的信号是非平稳的,小波包变换对故障特征提取有明显的优势,给出了利用小波包对故障信号进行分析的方法。确定轴承参数以及对故障信号的采集,并计算各类故障特征频率,选择小波基和确定最佳的分解层数,之后在Matlab软件环境下对信号进行小波包分解和重构,得到滚动轴承各类故障信号的功率谱,最后把实验结果与计算结果做对比,证实了该方法可以有效地把轴承中的故障信息成分检测出来,从而判断滚动轴承的故障类型。     

基于小波包分析的滚动轴承故障特征提取

简述了小波包分析的基本原理及其用于特征提取的机理,利用小波包对滚动轴承振动加速度信号进行分解,求出各频率段的能量,并以此作为滚动轴承所发生故障的特征向量进行提取,从而识别出滚动轴承的故障,通过对于实测信号的分析证明了该方法的有效性,体现了小波包分析的优良性。     

基于改进HHT的风力发电系统轴承故障诊断

轴承是风力发电机组中故障率较高的部件,其故障信号为非线性、非平稳信号,经验模态分解是一种自适应的信号处理方法,可用来分析此类信号,但是模态混叠使得经验模态分解无法准确地将固有模态分离出来。针对此问题,采用总体平均经验模态分解进行改进,利用高斯白噪声的频率均匀分布的统计特性,抑制模态混叠现象,并通过计算固有模态函数与故障信号的互信息来剔除虚假分量,从而得到更准确的Hilbert-Huang谱,由此提取故障信息,判断故障类型。仿真试验及轴承故障诊断实例均证明了该方法的有效性。