羽流源目標(biāo)提取與自主辨識(shí)方法研究

發(fā)布時(shí)間：2020-04-25 15:56

【摘要】：隨著科學(xué)技術(shù)的進(jìn)步和工業(yè)的發(fā)展,許多化學(xué)危險(xiǎn)用品在人類的生產(chǎn)生活中應(yīng)用越來越廣泛,在化工廠的生產(chǎn)制造過程中,羽流源發(fā)生泄漏的情況不少發(fā)生。當(dāng)發(fā)生自然災(zāi)害和人為災(zāi)害的時(shí)候,人類參與親臨現(xiàn)場救援的情況也越來越多,這無疑會(huì)會(huì)使人力和財(cái)力造成巨大的損失。因此,在羽流源發(fā)生泄漏時(shí),能夠及時(shí)發(fā)現(xiàn)泄漏的羽流和進(jìn)行定位,對(duì)減輕損失發(fā)生具有重要意義。本文的內(nèi)容對(duì)羽流進(jìn)行目標(biāo)提取及自主辨識(shí)的工作,在前人的研究結(jié)果的基礎(chǔ)上進(jìn)一步進(jìn)行羽流辨識(shí)研究。傳統(tǒng)的羽流追蹤僅運(yùn)用了嗅覺傳感器及風(fēng)向傳感器進(jìn)行羽流尋源,本文提出應(yīng)用視覺和嗅覺傳感器相融合進(jìn)行羽流尋源,減少了傳感器的種類和數(shù)量,取得了更優(yōu)辨識(shí)羽流源的效果。構(gòu)建羽流和干擾物數(shù)據(jù)庫,經(jīng)歸一化處理后,再將圖像數(shù)據(jù)進(jìn)行預(yù)處理,對(duì)羽流源提取灰度特征和形狀特征。提取出的特征圖像通過放入KNN算法、BP神經(jīng)網(wǎng)絡(luò)和SVM進(jìn)行分類,得到的預(yù)測標(biāo)簽與已知的圖像類別標(biāo)簽進(jìn)行比較,得出測試集的正確率。但該方法在羽流進(jìn)行特征提取和目標(biāo)識(shí)別方面,測試集正確率不高且羽流等級(jí)難以精準(zhǔn)分類。鑒于上述問題,本論文采用卷積神經(jīng)網(wǎng)絡(luò),并將提出的改進(jìn)卷積神經(jīng)網(wǎng)絡(luò)對(duì)羽流目標(biāo)進(jìn)行目標(biāo)提取和辨識(shí)。在改進(jìn)的卷積神經(jīng)網(wǎng)絡(luò)中,通過遷移學(xué)習(xí)的方法,并將SVM分類器替換原始的Softmax分類器,以提高實(shí)驗(yàn)測試集的正確率。實(shí)驗(yàn)結(jié)果表明改進(jìn)卷積神經(jīng)網(wǎng)絡(luò)對(duì)不同類別羽流的識(shí)別精度較高,迭代次數(shù)減少。因此能夠在更短的訓(xùn)練時(shí)間內(nèi)實(shí)現(xiàn)更高的識(shí)別率,有良好的魯棒性。通過搭建Simulink仿真平臺(tái)對(duì)羽流源尋源過程進(jìn)行模擬,并對(duì)運(yùn)動(dòng)過程參數(shù)進(jìn)行分析,取得良好的應(yīng)用效果。最后通過實(shí)驗(yàn)平臺(tái)搭建進(jìn)一步進(jìn)行效果驗(yàn)證,實(shí)驗(yàn)平臺(tái)采用TurtleBot移動(dòng)機(jī)器人并搭建羽流傳感器模塊,進(jìn)行羽流信息采集,通過上述方法對(duì)實(shí)驗(yàn)進(jìn)行驗(yàn)證。此實(shí)驗(yàn)中通過視覺信息不能具體判斷是哪種羽流泄漏,本文通過融合嗅覺傳感器來采集羽流信息,對(duì)視覺的羽流尋源起到輔助支撐的作用,并取得良好的應(yīng)用效果。
【圖文】：