5个研究背景和意义示例,教你写计算机几何约束论文

今天分享的是关于几何约束的5篇计算机毕业论文范文, 如果你的论文涉及到几何约束等主题,本文能够帮助到你

地库环境单目3D目标检测及语义SLAM技术研究

这是一篇关于单目3D目标检测,视觉SLAM,语义SLAM,深度学习,几何约束的论文, 主要内容为目标检测和定位均是自动驾驶领域的重要基础任务。地下车库作为自动泊车的一个重要应用场景,对高可靠定位有着明确需求。而由于GPS信号的缺失、纹理较弱和光照条件较复杂等条件的限制,传统定位方法在地下车库场景下定位效果较差。基于单目图像的3D目标检测方法因成本低廉而具有广泛的应用前景,并能够为定位任务提供语义信息从而加以改进。但由于缺乏3D深度,单目3D目标检测的性能与基于激光点云的方法相比尚存在较大差距。基于以上背景,本文对地库场景中的单目3D目标检测及单目语义SLAM算法进行研究,利用地库场景特点设计了单目3D目标检测方法,并将物体信息在语义SLAM中进行了充分利用,为地库场景下的可靠单目视觉定位提供了可行方案。主要研究内容和贡献如下:针对地下车库场景自身与其中静态物体的特点,本文提出了一个基于先验几何约束信息的单目3D目标检测方法Pillar Net。根据地下车库场景地面的平整性引入了单应性约束损失函数,并根据场景中柱子朝向的一致性和排列的整齐性分别提出了旋转一致性损失函数和排列整齐性损失函数,为缺乏3D感知的单目图像数据引入了有力的几何约束。在自建数据集上的实验展示了该方法带来的显著精度提升,验证了设计理念与方法的有效性。针对地下车库场景GPS信号难以获取、且因纹理较弱和光照条件较复杂等原因导致传统视觉SLAM方法效果较差的问题,本文提出了一套融合3D物体尺寸与位姿信息的单目视觉语义SLAM框架OP-SLAM(Object and Point based SLAM)。在传统视觉SLAM的基础上引入了通过Pillar Net得到的精度较好的物体3D检测框,将其耦合到视觉里程计、地图建立和后端优化部分,显著提升了SLAM轨迹的精度。将OP-SLAM建图中的物体保留下来可作为长期有效的物体地图,在长时间跨度的定位任务中可对视觉SLAM的定位累积误差起到较好修正作用。在自建数据集和KITTI数据集上的实验验证了OP-SLAM在不同地下车库场景SLAM任务与长时间跨度定位任务中的有效性,以及该框架对于普通道路场景的适应性。

地浸矿山钻孔设计绘图系统的设计与实现

这是一篇关于Beego,Canvas,自定义模板,几何约束,CAD.NET的论文, 主要内容为本论文设计的是一个可自动生成钻孔设计相关图纸的绘图系统,并可对生成的图纸进行查看和导出,旨在利用先进的技术和算法,减少设计的工作量,提升绘图的效率。首先调研国内外的研究现状,明晰研究的内容与思路,确定所需开发技术及理论:系统采用Beego框架,用Go语言进行后端逻辑处理,用Java Script,Canvas等技术实现前端界面的展示和图形的绘制,用非关系型数据库Mongo DB存储数据,通过Webservice提供的服务来调用CAD.NET的接口来实现导出图纸,并对图纸构建所需的画法几何和几何变换知识、自定义模板的约束求解理论和有向图论、图纸展示时的图形裁剪算法和区域填充算法进行简述。其次采用流程图、用例图、数据流图和文字相结合的方式对系统进行需求分析:总结出模板生成、图纸生成、图纸展示、图纸导出等功能模块,确定采用自定义参数、构建草图、添加几何约束和标注约束的方式创建自定义模板。然后对系统进行设计与实现:按MVC模式进行逻辑架构设计,按用户需求对系统进行功能划分,按Mongo DB特性对数据库进行设计,在研究模板生成时的有向图、图纸生成时的约束求解、图纸展示时自定义图案填充等问题的基础之上,通过实现参数、图形及约束的添加来完成创建自定义模板的功能,通过自定义模板和固定模板两种方式来完成生成图纸的功能,通过实现Canvas绘图、平移及缩放操作来完成展示图纸的功能,通过实现CAD.NET的调用来完成单个或批量导出图纸的功能,并展示每个功能模块中用户的使用效果。最后对系统未来可添加功能和改进方向进行展望。本系统实现了需求分析中的主要功能,并在地浸矿山钻孔设计中进行试用。其中自定义模板和固定模板两种方式都可实现图纸自动生成的功能,且用户自定义模板的方式提升了业务的通用性。绘图系统的使用,不仅可以减少重复的设计工作,降低设计中的错误,而且让图纸的管理更加规范。绘图系统满足了用户的需求,获得了用户的认可。

基于半监督学习的三维医学图像分割算法的研究

这是一篇关于半监督学习,医学图像分割,一致性正则化,几何约束,不确定性的论文, 主要内容为在医学实践中,精准地分割出医学图像中的组织结构或病变区域对于医生诊断和制定相应的治疗方案具有至关重要的作用。然而,全监督学习算法依赖于大量标注数据进行训练,而医学图像具有高度的复杂性和多样性,因此对医学图像进行准确标注需要耗费大量的时间和精力。这导致可用于训练的标记数据非常有限,从而严重限制了全监督学习在医学图像分割领域的应用和发展。本文旨在研究少量标注数据下的半监督三维医学图像分割算法,主要解决医学图像分割任务中存在的问题和难点:一是全监督学习算法在标注数据稀缺的医学图像上分割精度较低;二是半监督方法分割出的器官或组织表面缺乏光顺性;三是现有的半监督分割算法在处理医学图像时,可能会存在对非目标区域的不确定性预测,导致分割结果中包含无关紧要的琐碎部分。针对以上问题,本文的主要研究内容和创新点包含以下三点:(1)针对医学图像标注数据的稀缺性问题,提出了一种基于特征强化与交互学习的半监督三维医学图像分割框架。该框架将特征注意力模块嵌入到分割网络中,帮助模型提取到高区分性的特征,并基于平均教师模型,利用双任务网络同时进行像素级分割图和符号距离图(Symbolic Distance Map,SDM)的预测。SDM作为标注和未标注数据的共同约束条件,通过一致性正则化方法进行半监督学习,从而实现高精度分割。该框架在左心房(LA)数据集上取得了较好的分割结果。(2)提出了一种基于边界几何约束的半监督三维医学图像分割方法,以提高边界区域的分割精度,使分割出的器官或组织能够拥有光顺的表面。该方法基于双任务网络,将反向注意力模块嵌入到V-Net解码器中,可以同时预测目标对象的像素级分割图和背景图。对于未标注的数据,利用其分割图和背景图通过元素相乘来获得目标对象的轮廓信息,并利用该轮廓信息对半监督学习施加几何约束。在LA、胰腺(NIH Pancreas)和脑肿瘤(Bra TS2019)数据集上的实验结果表明,该算法能够有效捕捉到目标对象的几何形状,保证分割结果边界的光顺性。(3)提出了一种基于伪标签不确定性抑制的半监督三维医学图像分割算法,以降低分割过程中的不确定性预测,减少分割结果中无关紧要的琐碎部分,进一步提高分割精度。该算法将分割图和背景图进行同或操作得到不确定区域和确定区域,将这两个区域作为伪标签并用来计算无监督损失和一致性损失,以此实现不确定性抑制。利用加权交叉熵损失函数计算监督损失,赋予边界区域更高的权重,提高模型对边界的感知,进一步降低边界区域的不确定性。采用循环迭代的方法对伪标签数据进行更新,以提高伪标签的质量,更好地指导模型进行半监督学习。在LA、NIH Pancreas和Bra TS2019数据集上的实验结果表明,该算法能够明显提高医学图像的分割精度。

基于深度学习的车辆三维尺寸超限检测技术

这是一篇关于深度学习,超限检测,单目相机,几何约束的论文, 主要内容为车辆超限问题是危害道路安全的重大因素之一,虽然各地设置了大量固定超限检测站,但仍存在可以绕行躲避检查的检测盲区,流动超限检测是重点路段超限治理的一种有效手段。针对传统超限检测技术多应用于固定检测站,所用设备价格昂贵,检测系统复杂,无法应对流动检测场景的问题,采用单目相机成像获取车辆信息,基于深度技术完成车辆的超限检测。主要研究内容如下:(1)研究基于深度学习的车辆超限检测框架。基于现有单目车辆3D目标检测方法,结合流动超限检测场景,采用双阶段几何约束算法作为超限检测理论基础,提出一种双阶段车辆超限的检测框架:通过车辆检测与识别子网络获取车型和位置等信息,然后通过车辆超限检测子网络完成车辆的超限测量。(2)研究基于YOLOv5s-Ghost的车辆检测与识别子网络。采用YOLOv5s网络作为车辆检测与识别子网络,针对YOLOv5s网络大量C3模块导致较多参数量的问题,通过将C3模块中Bottleneck内的传统卷积改进为Ghost卷积,保证网络检测精度的同时具有较高网络推理速度。(3)研究基于Mobile Net-SE的车辆尺寸超限检测子网络。采用轻量级Mobile Net作为主干网络进行特征提取,引入SENet注意力机制加强网络的特征提取能力,网络更加关注车辆关键区域;设计具有三分支的特征回归模块回归多属性参数,进一步加深网络深度的同时提升网络表达能力;设计合理的尺寸及航向角回归损失,回归更准确的车辆尺寸及方向信息。通过在自建数据集对车辆检测与识别网络进行测试,实验结果表明:车辆检测m AP精度达到94.4%,车辆轴数对应的精细车型识别AP精度为91.6%,网络推理速度达到55.5 FPS;通过在KITTI数据集对车型尺寸超限检测网络进行测试,实验结果表明:成像距离在10m范围内车辆尺寸的检测最大误差为6.7%,检测速度达到47.6 FPS。为了验证车辆超限检测效果,对实际车辆进行超限检测,实验结果表明:车辆尺寸检测最大误差小于7%,能够准确识别出车辆超限问题。本文提出方法对于强化重点路段的流动超限检测具有重要意义和研究价值。