针对采摘机器人自主行走导航过程中,难以准确定位其与果树之间的相对位置,难以准确估计果树树干姿态的问题,提出基于双目eye in hand系统的多角度树干位姿估计方法.利用YOLOv5深度学习方法与半全局块匹配算法识别树干并生成局部点云;利用半径滤波和体素滤波减少树干点云数据;利用闭环式手眼标定方法对双目eye in hand系统进行标定,并对同一树干多角度相机位置的点云数据进行拼接;利用随机抽样一致(RANSAC)算法与无约束最小二乘法估计并优化树干的位置和姿态,获取树干的圆柱体参数.通过对30幅标定板图像进行实验,闭环式手眼标定方法的平均欧式误差为3.717 7mm;采用半径滤波和体素滤波可减少98.470％的点云数据;采用RANSAC算法、圆柱体估计算法拟合树干点云数据,得到圆柱体的半径r=41.277 1 mm,RMAE=2.571 56 mm,RRMSE=2.989 36 mm;无约束最小二乘法优化后 r=39.402 8 mm,RMAE=1.989 55 mm,RRMSE=2.465 88mm.该文通过对双目eye in hand系统进行标定,建立坐标系转换关系,多角度采集环境信息,准确定位机器人与果树之间的相对位置,估计果树树干的姿态.
随着癫痫脑电信号自动检测算法研究地不断深入,需要处理的特征维度也不断增加,且冗余特征增大了算法的复杂度,导致算法性能下降.为此,提出一种基于F-Score特征选择的癫痫脑电信号识别方法.首先,从原始癫痫脑电信号数据集中提取特征,并计算每个特征的F-Score统计值;然后,根据分类模型的分类准确率,通过序列前向搜索方法,选择最优特征集;最后,利用支持向量机和逻辑回归分类模型进行实验,并与传统的特征降维方法PCA进行对比.实验结果表明,本文方法可有效降低特征矩阵的维数,提高算法运算效率.
为提高心电图身份识别过程中神经网络的训练效率及识别正确率,提出一种基于多核卷积和多头自注意力的心电图身份识别方法.首先,利用多个大小不同的卷积核对预处理后的单个心拍进行特征提取;然后,采用多头自注意力模块加强卷积通道中全局特征的提取效果;接着,将特征通道一分为二进行半实例归一化,使多头自注意力模块能够关注归一化前后的特征,提升神经网络的收敛速度;最后,将多核多头自注意力模块进行ResNet残差连接.该方法在QT数据集上经过20个epoch训练,实现了 94.92％的识别正确率.利用ResNet进行对比实验的结果表明,该方法能够有效地提升神经网络的训练效率及识别正确率.
针对中药饮片识别采用人工方式存在的耗费人力物力、主观性强,容易造成偏差等问题,提出基于通道注意力机制的中药饮片图像识别方法.首先,构建中药饮片图像数据库;然后,采用改进的AlexNet模型对莪术、姜、橘核和牡丹皮的饮片图像进行识别;最后,针对同一饮片不同炮制品的图像特征差异不明显问题,引入通道注意力机制.对比实验结果表明:基于通道注意力机制的AlexNet模型比AlexNet模型的平均精确度提高了 2.18％,识别准确率提高了 2.05％;且降低了参数量及FLOPS.
在生产作业过程中,作业人员注意力不集中是生产事故发生的主要诱因.针对现有的专注性研究方法过于依赖高性能计算设备,存在部署困难和隐私数据泄露等问题,提出一种结合深度学习和边缘计算的作业人员专注性检测方法.首先,利用YOLOv5算法对使用手机、抽烟和喝水3种常见的分心行为进行实时检测;然后,采用轻量化人脸关键点检测网络和Perclos算法对作业人员的疲劳程度进行评估,并对疲劳状态进行预警;最后,采用基于通道剪枝的压缩算法将分心行为检测网络和疲劳行为检测网络部署于低功耗的便携式边缘计算设备,避免作业人员隐私和商业数据泄露的风险.实验结果表明,该方法对疲劳行为和分心行为的检测准确率分别达98.6％和99.8％,满足实际的部署需求.
针对网络轻量化后,模型复杂度降低带来的检测性能不足等问题,提出一种基于自适应卷积的心电图(ECG)心律分类方法.首先,采用轻量级的卷积神经网络模型框架构建双分支结构,主分支提取ECG的波形特征,子分支提取ECG样本与正常心律的差异信息;然后,通过自适应卷积的方法,将ECG样本与正常心律的差异信息融入到主分支中,提高模型的检测性能;最后,在公开的数据集上进行实验,F1分数、准确率、召回率分别为93.58％、95.53％和91.70％,相较于未加入ECG样本与正常心律的差异信息的网络有明显提升,验证了该方法的有效性.
针对污水处理厂的过程数据时变性较大、非线性较强,传统的离线模型难以应对实际处理过程中的工况变化等问题,提出一种基于时差-即时学习的相关向量机(RVM)模型TD-JIT-RVM.通过时间差分(TD)建模提取过程变量之间的关联关系,采用即时学习(JIT)解决时滞引起的模型退化问题.利用TD-JIT-RVM模型对仿真数据集和真实的工业数据集进行分析,结果表明,该模型在两个数据集中比RVM基础模型的RMSE分别提高了 94.59％和 82.26％.
针对中医诊断过于依赖医生经验的问题,提出一种基于互信息的中医症状推荐系统.首先,对原始病例数据进行中医症状规范化,构建症状术语字典,使系统输入规范的症状;然后,通过互信息计算症状之间的关联性;最后,利用归一化折损累计增益(NDCG)指标验证症状的推荐效果,获得症状的推荐列表.实验结果表明,该系统能根据一个症状或多个症状获得其他相关联的症状,实现中医症状推荐功能.
香蕉采摘是一个耗时费力的作业过程.为了实现香蕉的自动化采摘,首先,设计了一款香蕉智能采摘装置,主要包括叉剪升降机构、3-RPS并联机构和XY直线移动机构等,通过控制这3个机构的运动变化,满足其搭载的末端执行机构适应香蕉果柄的空间随机性要求;然后,搭建双目相机视觉识别系统,采用YOLOv5算法识别香蕉果柄,选择检测框的中心位置为采摘点;接着,根据采摘点位置反求3-RPS并联机构的位姿,驱动切割机构对香蕉果柄定位,完成香蕉串的自动采摘;最后,研制了香蕉智能采摘装置样机,开展采摘试验.试验结果表明,香蕉智能采摘装置的绝对位置误差小于8.66 mm,相对位置误差小于0.85％;y角度误差小于1.10°,β角度误差小于1.25°,满足香蕉采摘的定位要求.
水果采摘机器人是一种具有较大潜力的农业自动化技术,不仅需在复杂且不断变化的环境中连续作业,还面临地形、树木分布、天气变化、环境光照、遮挡等多种挑战.视觉同步定位与地图构建(SLAM)作为一种成本低廉且能够提供丰富语义信息的技术,有望提高水果采摘机器人的效率和自动化程度.近年来,视觉SLAM在水果采摘机器人领域取得了一系列重要进展,主要包括深度学习优化方法、基于点线特征的优化方法、基于RGB-D的视觉SLAM优化方法、动态环境中视觉SLAM优化方法、回环检测和后端优化方法等.未来,水果采摘机器人领域的研究将朝着更高的自动化程度和采摘效率方向发展;可能的发展方向包括更复杂的感知系统、更智能的决策算法、更强大的硬件支持等.此外,水果采摘机器人在多样化水果园中的适应性和鲁棒性研究也将引领这一领域的发展.通过不断推动视觉SLAM技术的创新,水果采摘机器人有望成为现代农业的重要工具,提高水果产量并减轻农业劳动力短缺的问题.
尊敬的专家: 您好!《自动化与信息工程》经国家新闻出版署批准(ISSN 1674-2605,CN 44-1632/TP),创刊于1980年,为双月刊,是国家新闻出版广电总局第一批(2014年)认定的学术期刊.本刊由广东省科学院主管,广东省科学院智能制造研究所和广州市自动化学会共同主办.
自主导航与采摘定位作为采摘机器人的关键任务,可有效减轻人工劳动强度,提高作业精度与作业效率.该文阐述和分析基于视觉的采摘机器人采摘定位与自主导航方法,主要涉及视觉导航的可行驶区域检测、果实目标识别及采摘点定位,并根据国内外的研究现状,对机器视觉的最新发展和未来发展趋势进行展望.
针对现有风电储能调度技术受出力波动影响较大,导致风电储能调度目标与实际调度结果误差较大的问题,提出一种优化调度技术.首先,分析出力波动对风电储能的影响过程,获得判断波动特征量;然后,建立出力波动影响下的风电储能调度尺度模型;接着,优化风电储能调度目标函数,实现出力波动变量的全局优化,提升风电储能调度精准度,增强调度参量对出力波动影响系数的抗扰定力;最后,通过数据调试进一步证明了该优化调度技术的有效性与可实现性.
果树冠层参数直接反映果树的生长情况和产能潜力.针对单传感器点云密度低及传统算法精度低的问题,提出激光雷达与Kinect融合的果树冠层参数计算方法.首先,通过果树冠层检测系统获取果树冠层点云数据;然后,将果树冠层点云数据预处理后,通过采样一致性初始匹配(SAC-IA)和双向KD树改进的迭代最近点(KD-ICP)算法配准多传感器点云,改善点云位姿;接着,通过坐标转换融合两侧配准点云,获得果树冠层点云;最后,通过切片台体法计算果树冠层体积和叶面积.实验结果表明:该方法相较于传统的几何体拟合法、三维凸包法,果树冠层体积计算精度分别提升了 38.12％、12.96％,叶面积计算精度分别提升了 11.56％、2.78％;相较于Kinect和激光雷达的单传感器点云,融合点云的果树冠层体积计算精度分别提升了 7.41％、12.62％,叶面积计算精度分别提升了 19.41％、7.08％.该方法可准确计算果树冠层参数,为药肥精准变量喷施、果树估产等提供科学依据.
针对目前人体动作捕捉系统采集节点数量少、动作采样精细度不足、成本高等问题,设计一套基于MEMS惯性传感器的 47 节点人体动作捕捉系统.该系统通过在人体关节部位佩戴传感器节点,实时采集关节部位的精细运动数据;运动数据汇聚后通过Wi-Fi发送至上位机进行数据处理与姿态再现,从而实现手势识别、碰撞检测、物体交互等功能.经实验测试,该系统能够正确采集人体姿态数据,驱动虚拟人运动,具有采集数据节点多、动作精细、实时性强等特点,可应用于动漫、虚拟现实、影视、体感游戏等领域.
针对传统轨道交通变压器种类多、内部结构复杂、运行工况多样,导致对其进行故障诊断较为困难的问题,提出深度学习融合线性预测倒谱系数(LPCC)和梅尔频率倒谱系数(MFCC)组合特征的轨道交通变压器故障诊断方法.首先,利用小波阈值去噪法对噪声信号预处理;然后,分别提取噪声信号的LPCC特征和MFCC特征,并组合成特征向量;最后,将组合特征向量输入到基于深度学习的 CNN-LSTM 模型,实现轨道交通变压器的故障诊断.实验结果表明,该文提出的LPCC-MFCC组合特征和CNN-LSTM模型对轨道交通变压器的故障诊断准确率可达 99.48％,精度、召回率和F1 分数均达到99.59％.
针对基于双时域卷积网络的房颤信号提取网络模型存在的参数量大、运算资源要求高和实时性差等问题,提出基于知识蒸馏的房颤信号提取方法.该方法的教师网络和学生网络分别采用 3 层、1 层的基于时域卷积网络(TCN),维度分别为256 和32.实验结果表明,采用知识蒸馏的方法可以提高学生网络的性能,且用蒸馏后的房颤信号提取的学生网络相比于教师网络,其网络模型更小、运算资源要求更低、实时性更高,为部署到资源有限的嵌入式设备提供了理论依据.
针对行为识别领域中异常行为相似度高、特征关联度强等因素,导致相似性异常行为难识别的问题,提出一种基于注意力机制的异常行为识别方法.首先,将基于解耦结构的预测模块嵌入到基于 3D卷积的双流行为识别网络中,改善网络对视觉细粒度特征的表达能力;然后,分别构建空间注意力模块和时间注意力模块,提高模型对空间关键特征区域的提取和时间维度上长期依赖关系的捕捉;最后,经过测试,6 种异常行为的识别精度均达到 97.6％,验证了该方法的有效性.
为提高零件加工制造效率,减少材料用量,降低成本,设计一种五轴增减材复合制造设备,用于通用复杂零件的加工制造及模具缺陷的修补.通过激光/等离子弧双热源进行增材加工,利用铣削进行减材加工.为测试该设备的成形性能,对轮胎模具翻胎板、花纹块和活字块进行试制,辅以缺陷检测及回溯修复模块对成形缺陷零件进行修复,得到了高质量、高精度的零件.该设备有助于提升企业效益、减少生产成本,对促进相关产业的发展起到重要作用.
针对基于发音想象的脑机接口样本数据数量小、数据噪声大,导致模型泛化能力差的问题,提出一种基于跨模态信息迁移的发音想象脑电信号分类方法.该方法通过知识蒸馏,将音频模态信息迁移到脑电模态,从而提高模型的泛化能力;通过多尺度学习来提高模型性能.在数据集Kara One中,两个二分类任务的AUC分别为 68.28％和69.53％.实验结果表明,该方法有效地提高了模型的性能.
