共查询到20条相似文献，搜索用时 250 毫秒
1.
鉴于OpenPose进行肢体识别复杂度较高,提出基于TfPose完成人体骨架提取,并采用神经网络集成学习方法对吊装指令肢体信号进行识别,完成智能化吊装操作。首先,采用D-H法对吊装机器人进行正运动学分析,确定卷扬机构工作空间范围,并使用共形几何代数方法求解其逆运动学,完成吊装机器人从当前位置运动到目标位置的数学建模;然后,基于TfPose获取人体骨架向量和RGB骨架图,以BP神经网络和InceptionV3网络为基分类器,采用神经网络集成学习方法确定最优化权重,完成吊装指令肢体信号识别;最后,将识别的吊装指令肢体信号通过UDP通信传送给吊装机器人控制模块,以完成吊装操作。实验结果表明,该方法平均肢体识别精度达0. 977,提高了吊装效率。 相似文献
2.
基于视觉伺服控制的机器人手眼标定和逆运动学求解一直是视觉伺服领域的核心问题。随着应用场景的逐渐复杂,传统手眼标定方法已无法满足需求;随着网络深度的增加,单一BP神经网络逆运动学求解算法的误差趋于饱和甚至变大,无法进一步提升网络性能。针对以上问题,本文将手眼标定和逆运动学求解融合为拟合目标图像坐标到机器人各关节角之间的映射关系问题,提出了一种残差BP神经网络算法。使用多个残差网络模块的方式加深BP神经网络的深度,残差模块的输入信息可以在网络内跨层传输,较好地解决了因深度增加网络模型容易产生梯度消失而无法提升网络性能的问题;通过6自由度机器人雅可比方程对逆运动学解的空间进行划分,确定了8个独立的区域,基于独立区域方法对训练数据进行处理,从而避免了多自由度机器人逆运动学多解对网络学习的影响,网络训练精度提升了2个数量级,训练速度提高了2倍。在REBot-V-6R型6自由度机器人输送线分拣系统中进行二维平面抓取和三维实物抓取实验,实验结果验证了该方法的准确性。结果表明,该方法比1层BP神经网络、3层BP神经网络、5层BP神经网络的训练精度分别提高了4个数量级、2个数量级、5个数量级,测试精度提高2个数量级;与传统标定方法相比,本文方法节约了逆运动学求解过程的计算成本,抓取位姿精度提高了1个数量级。 相似文献
3.
基于迁移学习的卷积神经网络植物叶片图像识别方法 总被引：10，自引：0，他引：10
为了提高植物叶片图像的识别准确率,考虑到植物叶片数据库属于小样本数据库,提出了一种基于迁移学习的卷积神经网络植物叶片图像识别方法。首先对植物叶片图像进行预处理,通过对原图的随机水平、垂直翻转、随机缩放操作,扩充植物叶片图像数据集,对扩充后的叶片图像数据集样本进行去均值操作,并以4∶1的比例划分为训练集和测试集;然后将训练好的模型（AlexNet、InceptionV3）在植物叶片图像数据集上进行迁移训练,保留预训练模型所有卷积层的参数,只替换最后一层全连接层,使其能够适应植物叶片图像的识别;最后将本文方法与支持向量机(SVM)方法、深度信念网络(DBN)方法、卷积神经网络(CNN)方法在ICL数据库进行对比实验。实验使用Tensorflow训练网络模型,实验结果由TensorBoard可视化得到的数据绘制而成。结果表明,利用AlexNet、InceptionV3预训练模型得到的测试集准确率分别为95.31%、95.40%,有效提高了识别准确率。 相似文献
4.
为了让采摘机器人更加快速和准确地识别目标水果的成熟度,提出了一种基于BP神经网络的自主学习方法。由于BP神经网络容易陷入局部最优值且训练效率较低,因此进行了改进,实现了LM-BP神经网络算法。测试结果表明:与BP神经网络算法相比,LM-BP神经网络算法训练学习速度更快,测试精度更高,能够满足采摘机器人对目标水果成熟度识别精度的要求,具有一定的应用价值。 相似文献
5.
针对水电机组振动信号存在非平稳和非线性,单一特征提取难以实现高精度故障诊断问题,提出了一种基于卷积神经网络和近似熵特征融合的故障诊断方法。利用卷积神经网络提取振动信号特征;EEMD与近似熵构建信号特征向量,将两种方法提取的状态特征融合构建融合特征向量;进一步,将融合特征作为输入、故障类别作为输出,训练BP神经网络得到水电机组故障识别器,识别水电机组运行状态,即正常或具体故障类型。结合转子实验台实验数据,验证了所提方法在挖掘信号特征方面的有效性及较高的故障诊断准确率。 相似文献
6.
基于无人机多光谱图像的云南松虫害区域识别方法 总被引：3，自引：0，他引：3
针对云南省祥云县林区云南松虫害区域高效识别的需求,为更加高效准确地对虫害信息进行监测,本文搭建了林区八旋翼多光谱图像采集平台,基于无人机多光谱图像提出了一种Jeffries-Matusita(J-M)距离优化的反向传播神经网络(BP)分类方法。该方法首先引入J-M距离实现了对训练样本的优化,有效降低了"同谱异物"和"同物异谱"现象的影响,然后基于颜色矩和灰度共生矩阵提取了图像的颜色和纹理特征,并提取了580、680、800 nm共3个波段的相对光谱反射率作为光谱值特征,建立了5个植被指数模型,最后利用BP神经网络算法对颜色、纹理、光谱值和植被指数4种特征向量进行训练识别,实现了对虫害区域的分类识别。利用所提算法从总体分类精度和Kappa指数两方面与传统BP神经网络和支持向量机(SVM)算法进行对比试验。试验结果表明,本文算法总体分类精度和Kappa指数分别达到了94.01%和0.92,建模时间相对于传统BP神经网络缩短了38%,总体分类效果优于传统BP神经网络和SVM算法。 相似文献
7.
8.
针对传统的目标检测方法依赖人工提取特征,存在检测效率低、鲁棒性差和实时性差等缺陷。本文根据刺梨果实在自然环境中的生长特点,采用带有残差模块的YOLO v3神经网络进行刺梨果实识别模型的训练,该网络通过提取不同卷积层的特征图,将深层特征图进行上采样后与浅层特征图进行多次融合,以提取图像的更深层次的特征信息。通过对该网络的相关参数进行优化和改进,并对未参与模型训练的70幅刺梨图像进行检测,实验表明,本文算法能够有效地对自然环境下的11类刺梨果实进行识别,各类识别平均准确率为88.5%,平均召回率为91.5%,F_1平均值为89.9%,识别速率约为20 f/s。本文算法在刺梨果实的识别上取得了理想的识别效果。 相似文献
9.
基于卷积神经网络的无人机遥感农作物分类 总被引：3，自引：0，他引：3
针对采用长时间序列卫星影像、结合物候特征进行农作物精细分类识别精度较低的问题,将深度学习用于无人机遥感农作物识别,提出一种基于卷积神经网络的农作物精细分类方法,利用卷积神经网络提取高分辨率遥感影像中的农作物特征,通过调整网络参数及样本光谱组合,进一步优化网络结构,得到农作物识别模型。研究结果表明：卷积神经网络能够有效地提取影像中的农作物信息,实现农作物精细分类。除地块边缘因农作物种植稀疏、混杂而产生少许错分现象外,其他区域均得到较好的分类效果。经训练优化后的模型对3种农作物总体分类精度可达97.75%,优于SVM、BP神经网络等分类算法。 相似文献
10.
基于多特征融合的田间杂草分类识别 总被引：4，自引：0，他引：4
提出了一种基于模糊BP综合神经网络的田间杂草分类识别方法。对分类特征进行模糊化处理,充分考虑了杂草的分类特征本身存在的不确定性。使用遗传算法对网络结构进行优化处理,提高了该综合神经网络的收敛性和稳定性。并基于特征级数据融合方法进行杂草识别。对田间7种杂草进行识别的实验结果表明,7种杂草的混合识别率达到94.2%;另外,对玉米及其伴生杂草进行分类测试,混合识别率达到96.7%,具有较好的识别精度。 相似文献
11.
为了适应蔬菜等农产品对大肠杆菌快速检测的需求,提出采用形态特征参数及染色后菌体区域的颜色特征参数统计值对大肠杆菌进行快速识别,同时提出采用主成分神经网络作为预测模型来提高识别能力。提取了Hu’s不变矩、形状因子、密集度、饱和度等14个具有尺度、平移、旋转不变性的特征参数,提取主成分建立了基于主成分的3层BP神经网络模型。将其与普通神经网络模型比较的结果表明,主成分神经网络简化了网络结构、减少了训练时间和计算量、提高了识别的正确率,对大肠杆菌的识别正确率达到91.33%。 相似文献
12.
13.
以农业机器人精密轨迹优化自动控制为目标,在优化算法中引入BP神经网络与计算力矩法结合的自动控制器,旨在减少作业过程中的运动误差,提高其工作效率。首先,建立农业机器人数学模型,分析其运动学和动力学原理;然后,设计了农业机器人运动控制系统,引入BP神经网络对不确定动力学因素进行判断,并提出解决该因素的自适应学习法;最后,对该系统运用Mat Lab进行了仿真。试验表明:以BP神经网络与计算力矩法结合的自动控制器可以有效优化机器人运动路径,提高机器人整体作业效率,系统运行稳定、可靠性强,且对外部环境的干扰因素具有较强的自适应学习能力。 相似文献
14.
小波包分解与神经网络相结合的变速箱齿轮故障识别 总被引：5，自引：1，他引：5
提出了一种识别变速箱齿轮故障的新方法，通过对小波包分解的分析研究，将基于小波包能量的小波包分解特征提取方法用于提取齿轮运行状态的特征向量，并以此作为BP神经网络的输入对神经网络进行训练，建立了基于BP神经网络的齿轮运行状态分类器，用以识别齿轮的运行状态，, 变速箱齿轮故障识别为例，用文中所述方法对变相齿轮的正常状态，磨损状态，断齿状态进行识别验证，验证结果表明该方法的效果良好。 相似文献
15.
16.
提出了一种机器视觉技术结合BP神经网络快速鉴别结球甘蓝叶球形状的方法。运用图像处理技术,提取结球甘蓝的高度、宽度、长轴、面积4个绝对形状参数,在此基础上定义了高宽比、圆形度、矩形度、椭形度、球顶形状指数等5个相对形状参数。分别以4个绝对参数、5个相对参数以及上述9个参数作为网络输入,建立BP神经网络叶球识别模型。测试结果表明,以绝对参数作为输入的BP神经网络正确识别率为62.5%,相对参数作为输入的BP神经网络以及相对参数和绝对参数9个参数作为输入的BP神经网络正确识别率均达100%,以相对参数作为网络输入的预测模型优于以绝对参数作为网络输入的预测模型,相对参数和相对参数结合绝对参数作为输入构建的BP神经网络识别模型均具有良好的分类和鉴别能力。 相似文献
17.
为了高效检测玉米种子内部裂纹,设计基于卷积神经网络(CNN)的检测系统及批量检测方法,采集有裂纹和无裂纹的玉米种子制作数据集,构建AlexNet、VGG11、InceptionV3和ResNet18共4种经典卷积神经网络,同时与传统算法模型SVM和BP神经网络进行对比实验。实验发现,卷积神经网络模型优于这两种传统算法模型,ResNet18模型的综合检测性能最佳,单粒有裂纹种子的识别准确率为95.04%,单粒无裂纹种子的识别准确率为98.06%,平均单粒种子识别时间为4.42 s。基于ResNet18,搭建种子内部裂纹自动识别装置,设计识别软件控制装置,得到玉米种子内部裂纹识别系统。系统实验进行10组批量识别,有裂纹种子的平均识别准确率为94.25%,无裂纹种子的平均识别准确率为97.25%,批量识别中光源的透射无法等效地显现所有种子的内部裂纹、多次加载模型权重导致泛化性不足等因素会影响准确率。 相似文献
18.
为提高机组异常运行识别效率与精度,提出基于主成分分析法和遗传算法优化反向传播神经网络(BP neural network)的机组异常状态检测模型.以机组实时记录传感器数据为样本,利用主成分分析法对多维数据进行降维操作,处理后得到综合变量.随后在此基础上搭建BP神经网络并利用遗传算法优化神经网络随机初始权值与阈值,完成对机组不同运行状态检测模型仿真训练.最后以某电站连续时间段内机组正常与异常运行状态下各部件传感器实时监测数据为样本分析,并将所提PCA-GA-BP算法与其他优化算法、传统算法进行对比,通过不同样本比例下的仿真训练试验验证该方法可行性.仿真试验结果表明:模型相较于传统BP神经网络,平均状态检测时间相对缩短84%,平均检测正确率相对提高2.5%,能在均正确率接近99%的基础上实现0.7~1.0 s内对机组异常运行的有效辨别,做到机组异常运行的精确辨别与早期预警. 相似文献
19.
基于改进Hu矩和遗传神经网络的稻飞虱识别系统 总被引：3，自引：0，他引：3
针对稻飞虱识别实时性差和BP神经网络分类有一定误差的问题,设计了1种基于DSP硬件平台和遗传神经网络算法的稻飞虱识别系统.系统硬件以AT89S52单片机控制拍摄移动装置,以DM6437处理器作为算法处理平台;系统软件设计主要包括基于改进Hu矩的特征值提取和基于遗传算法优化神经网络的识别算法.系统通过CCD摄像机拍摄稻飞虱视频信号传送到DSP识别系统,从中提取图像,识别图像中的稻飞虱.实验对稻飞虱、水蝇和潜蝇等80个样本进行了训练和测试,结果表明遗传神经网络对稻飞虱的正确识别率达到90％. 相似文献
20.
为了快速、精准地感知水稻稻曲病的发生，实现稻曲病大面积早期监测，利用机载UHD185高光谱仪采集带有发病区域的多组水稻冠层高光谱图像数据，对图像数据进行预处理并建立数据集。对健康区域和发病区域进行分类训练，建立支持向量机(SVM)识别模型和主成分分析(PCA)加人工神经网络(ANN)的识别模型，通过验证样本来检验识别模型的准确性，达到识别发病水稻的目的。支持向量机识别模型选用两组特征波长下的假彩色图像：第1组波长组合(TZH1)为654、838、898 nm;第2组波长组合(TZH2)为630、762、806 nm,两组数据的错分误差/漏分误差总体分别达到4.24%和5.41%;其中S型核函数的SVM模型诊断性能最好，总体分类精度最高可达到95.64%,Kappa系数可达到0.94,基本达到了准确识别水稻稻曲病的目的。主成分分析加人工神经网络的识别模型选用前3个主成分，贡献率分别为93.67%、2.80%、1.24%,作为最优波长建立人工神经网络识别模型；其中非线性分类的效果优于线性分类的效果，总体分类精度达到了96.41%,Kappa系数可达到0.95。通过两个实验组数据的支持向量机... 相似文献