【摘 要】
：
随着城市生活越来越人性化、智能化,城市垃圾处理也逐步向智能化发展。提出一种基于图像视觉识别控制系统并应用于垃圾分类机器人来实现垃圾的分拣。通过系统硬件设计与图像处理和识别技术,达到对瓶罐类垃圾目标的识别定位和轮廓特征的提取并将其作为区分不同物体的依据,并在视觉识别系统的基础上进行分拣机械手臂控制系统设计,达到其对垃圾目标的跟踪抓取,并使用MATLAB机器视觉语言实现图像处理算法设定和控制系统设计。
论文部分内容阅读
随着城市生活越来越人性化、智能化,城市垃圾处理也逐步向智能化发展。提出一种基于图像视觉识别控制系统并应用于垃圾分类机器人来实现垃圾的分拣。通过系统硬件设计与图像处理和识别技术,达到对瓶罐类垃圾目标的识别定位和轮廓特征的提取并将其作为区分不同物体的依据,并在视觉识别系统的基础上进行分拣机械手臂控制系统设计,达到其对垃圾目标的跟踪抓取,并使用MATLAB机器视觉语言实现图像处理算法设定和控制系统设计。经过反复试验设计出一套合适的算法处理和控制系统,经试验验证此系统满足垃圾机器人视觉识别分类的技术要求,对
其他文献
针对众多监测方法中存在的数据信息重复率高、监测精度较低的问题,很难获得准确的物联网数据监测结果。为此,提出一种基于光纤传感技术的物联网感知数据监测方法。通过光纤传感技术对光波相位信息合理解调,获得环境参数的具体变化;为了降低数据之间信息的冗余度,对海量数据实施降维;运用支持向量机方法对数据实施分类并识别;根据标签约束条件,从而获取到物联网中的数据特征;采用构建出数据模糊矩阵来判断数据的一致性,根据
传统的物联网数据监测技术对数据分类不够准确,导致监测过程中出现异常数据不收敛和无穷计算的问题。在此基础上提出基于光纤复用技术的物联网数据监测研究。首先分析光纤空分复用技术原理,获得有效数据的排列曲线公式;其次构建物联网数据监测系统,确定调节时间、调节强度、系统电压以及系统规模,并提出数据信息采集参数的概念;最后利用排列曲线公式搜索物联网中的异常数据与节点数据,并通过光纤复用的特征模糊概率算法确定异
深入探讨光纤网络通信中物联网数据访问控制与加密存储问题,提出基于光纤网络通信的物联网数据访问控制与加密存储方法,构建基于光纤网络通信的物联网应用模型,该模型由感知层、网络层、应用层构成,其中网络层是通过光纤通信网络把感知层中光纤传感器采集的信息传输至应用层进行处理。且模型感知层采用于属性分解的动态变换加密方法、基于密钥管理的物联网数据访问控制策略,实现基于光纤网络通信的物联网应用模型的物联网数据访
本文介绍一种特殊物联网系统,这种系统同时也是实时系统。我们称之为"实时物联网系统"。实时物联网系统需满足系统延迟、时钟同步、截止时间等时间约束。系统中越接近物理世界的部分,其时间限制越严格。基于物联网参考体系结构(ISO/IEC30141)建立实时物联网概念模型,并引入"边缘子系统"概念。感知控制域是边缘子系统的基础。边缘子系统通常需满足硬实时约束。该模型包含4种视图,即时间视图、计算视图、通信视
显著性目标检测作为图像的预处理模块,可用于目标检测,目标跟踪及目标分割等各种方面。针对目前显著性目标检测算法精度不高,目标边缘模糊等问题,本文提出深度网络的显著性目标检测算法。算法包括两个互补部分,多尺度全卷积神经网络与背景先验,全卷积神经网络能生成像素级的显著图,解决图像边缘模糊的问题,而背景先验可有效抑制背景冗余信息,最后利用条件随机场将两者进行最优权重的结合。实验表明,通过定性和定量的比较,
早期认知视觉是连接早期视觉和认知视觉的中间平台。与像素携带的弱的语义信息相比,提出了一种基于视觉基元的图像轮廓的表示方法。首先由早期认知视觉系统提取出图像的基元,基元是图片小块,有丰富的语义信息包括位置、方向、相位和三色值;通过基元的共色性和共线性得到图像的轮廓。实验结果表明,此方法能将图像的轮廓完好地提取出来,有效地保留了图像的必要信息并具有强抗噪性。由此得到的轮廓所具有的几何信息和表面信息能很
手势加速度识别是基于惯性传感器手势交互的重要研究内容。针对已有的手势识别方法严重依赖于人工选取特征或不能有效融合手势动作的时空特征等局限性较大的问题,提出了基于卷积神经网络和长短时记忆网络结合的加速度手势识别算法。该算法通过构造三层卷积神经网络提取手势加速度数据的空间特征,并经过Droupout正则化操作,避免了特征过拟合的问题,再通过构造两层长短时记忆网络学习手势加速度数据的时序特征,融合手势动
泛在电力物联网是指把移动互联、人工智能等新兴通信技术实现电力系统所有环节的有效智能服务过程,继而实现电力系统当中不同环节之间的关联性以及交互性,电力物联网信息处理的高效性,提升电力系统的信息化水平。
异常事件检测是智能视频监控中一个重要研究方向,在安防领域具有广泛应用前景。针对现有异常事件检测系统准确率低、特征提取困难、检测速度难以满足实际需求等问题,提出一种基于深度时空特征和稀疏组合学习的异常检测方法。该方法采用三维卷积网络对待处理视频的时序特征和空间特征进行深度学习,更好地利用视频中的时序信息提取运动特征,从而将检测准确率提高到93.7%。最后,采用稀疏组合学习利用提取得到的特征检测事件的
针对现代医疗临床诊断和医学研究对医学视频降噪的需求,通过医学视频数据的帧拆解,充分研究了医学视频在变换域中的稀疏特性,基于三维块匹配算法(Blocking Matching 3D,BM3D)实现了对医学视频数据的去噪声处理。由于在应用时充分考虑到了医学图像在变换域中的稀疏性,本算法克服了BM3D算法高时间复杂的缺陷。通过与其他降噪算法的对比分析,本算法去噪后的图像和原图像间具有最高的相关性。