【摘 要】
:
在油化产品运输行业中,油罐车有着不可替代的重要用途。现在,在油罐车进行装卸油品的过程中,仍然需要依靠训练有素的工人,若能将其以自动化装卸油品的方式替代,对公司来说可以增加工作效率,对工人来说可以在装卸油品的过程中远离油罐车,提高安全性,是一举两得的事情。在实现自动化装卸油品的系统中,自动定位油罐车输油口是一个关键基础,本文将对此进行研究。本文将从测量方法的选择,图像的具体处理方式和能够应用于自动化
论文部分内容阅读
在油化产品运输行业中,油罐车有着不可替代的重要用途。现在,在油罐车进行装卸油品的过程中,仍然需要依靠训练有素的工人,若能将其以自动化装卸油品的方式替代,对公司来说可以增加工作效率,对工人来说可以在装卸油品的过程中远离油罐车,提高安全性,是一举两得的事情。在实现自动化装卸油品的系统中,自动定位油罐车输油口是一个关键基础,本文将对此进行研究。本文将从测量方法的选择,图像的具体处理方式和能够应用于自动化装卸油品的系统搭建等几个方面进行研究,得出完整的基于立体视觉的油罐车输油口定位系统并将其应用在实践中。主要工作如下:第一,主要研究三种不同的立体位置检测方法,并通过比较得出针对本文中石化工厂的环境下最适合的立体位置检测模型——双目测量方法。第二,基于双目测量模型选择图像采集设备,对其进行过标定后去现场采集图像,对实际中不同的油罐车输油口分别进行预处理实验,给出适合各种输油口的不同预处理方法。第三,根据输油口的形状特征,选择利用圆形识别方法,识别油罐车中的输油口。研究现有的圆形识别方法,并对不同的方法进行优缺点分析,对实际拍摄图像的预处理结果图,以各种识别方法进行识别,得出最合适的识别方法,再结合双目检测模型,得出立体检测结果。针对检测结果,进一步进行优化方法研究,且经过实践证实了该优化方法的有效性。最后,根据双目检测设备和图像检测代码寻找合适的搭载、运行平台,向选定的嵌入式平台中移植经实验证明可使用的检测代码,并针对自动化应用设计完整的检测、传输系统,完成油罐车输油口定位系统的设计。
其他文献
近些年来,随着人工智能算法的研究与发展,使机器人实现自主移动和路径规划成为可能,同时定位与建图是机器人实现自主移动的前提。但是当环境中有移动物体时,传统的视觉SLAM方案会使定位与建图的精度大幅下降,因此如何提高动态环境下机器人的定位与建图精度和实时性成为研究重点,本文提出了一种基于深度学习和双目视觉的SLAM技术,可以有效提高动态环境下的定位精度。首先,针对传统双目测距方法存在的需要对摄像头进行
在新课程改革不断推进的背景之下,对数学教学有新的要求,需要教师明确教学任务,由传授书本知识向培养学生能力、性格方面倾斜,不断培养学生的核心素养。然而,当前高中数学教学中,仍然存在一系列问题,影响着教学效率的提高。教师需要针对这些问题进行教学改革,将数学文化渗透到高中数学教学中,帮助学生培养数学核心素养,增强学生利用数学知识解决问题的能力。
在森林治理模式和相关研究中,社会生态系统分析框架的提出为探究自然、政治、经济、社会等多因素的耦合作用提供了可行路径,有助于进一步解释许多当下流行的森林治理政策和管理模式在现实中出现的各种"失灵"现象。文中通过探讨其在全球范围内森林治理研究中的应用情况后发现,尽管仍存有部分问题,社会生态系统分析框架对森林自治管理与政府配套政策的综合评估有明显助益;这些经验可为解决中国森林治理中出现的生态与经济效益难
目的探讨肺癌术后发生心律失常的危险因素及其防治。方法分析2003年1月——2005年6月肺癌手术795例,术后发生心律失常273例,并应用Logistic回归对影响术后发生心律失常可能的危险因素进行分析。结果本组病例心律失常总发生率为34.3%,多因素Logistic逐步回归分析显示高龄、吸烟史、心律失常
随着机器人和无人机等自动导航技术的发展,在自动导航过程中对周围环境检测的要求也随之增加,特别是准确实时地检测障碍物的距离信息。通过双目视觉技术来测量障碍物距离是热门研究领域之一,该技术属于非接触式测距,其主要过程为:使用双目相机作为图像数据采集单元对实际场景进行拍摄,然后将采集得到的左右图像使用相关算法进行图像匹配获得视差图,最后利用视差图进行距离等信息计算。为了实现快速准确且方便地测量障碍物距离
今年以来,嘉兴市各级档案部门坚持以档案工作"三个走向"为根本遵循,认真学习贯彻习近平总书记关于档案工作的重要批示精神,深刻领会和切实践行两个"服务"的重要使命、四个"好"的重要批示,通过展览展示、编研编纂、宣传宣讲等多种形式,进一步涵养红色文化、传承红色基因,讲好红船起航地的红色故事,奋力谱写全市档案事业高质量发展新篇章。
聚焦于具有极度非线性、非平稳性等特征的比特币价格预测问题,在长短时记忆网络(Long Short-Term Memory, LSTM)基础上构建了4个混合预测模型,利用小波变换(Wavelet Transform, WT)以及自适应噪声的完备经验模态分解(Complete Ensemble Empirical Mode Decomposition with Adaptive Noise, CEEM