隧道机器人火情探测与导航决策研究
| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 1 绪论 | 第10-20页 |
| 1.1 课题背景及研究意义 | 第10-12页 |
| 1.1.1 隧道火情的特点 | 第10-11页 |
| 1.1.2 隧道火情的危害 | 第11-12页 |
| 1.2 课题的国内外研究现状 | 第12-17页 |
| 1.2.1 隧道机器人火情探测技术 | 第13-15页 |
| 1.2.2 隧道机器人导航技术 | 第15-17页 |
| 1.3 课题的主要研究内容 | 第17-20页 |
| 1.3.1 研究目标与内容 | 第18页 |
| 1.3.2 论文的组织结构 | 第18-20页 |
| 2 隧道机器人的火情探测与导航决策总体设计 | 第20-27页 |
| 2.1 项目指标 | 第20页 |
| 2.2 总体算法设计 | 第20-22页 |
| 2.3 火情检测与相关技术 | 第22-25页 |
| 2.3.1 基于视觉传感器的火情探测 | 第23-24页 |
| 2.3.2 火情图像处理技术 | 第24-25页 |
| 2.4 导航规划与相关技术 | 第25-26页 |
| 2.4.1 基于传感器融合的障碍物检测 | 第26页 |
| 2.4.2 基于RRT算法和粒子群算法的路径规划 | 第26页 |
| 2.5 本章小结 | 第26-27页 |
| 3 隧道机器人火情检测与识别定位 | 第27-55页 |
| 3.1 图像预处理 | 第27-28页 |
| 3.1.1 双边滤波 | 第27-28页 |
| 3.1.2 光照补偿 | 第28页 |
| 3.2 视频火情图像分割 | 第28-39页 |
| 3.2.1 抠图算法 | 第29-30页 |
| 3.2.2 光谱抠图算法 | 第30-34页 |
| 3.2.3 基于LM优化的光谱抠图改进算法 | 第34-39页 |
| 3.3 火情图像特征提取 | 第39-49页 |
| 3.3.1 火焰图像特征提取 | 第40-45页 |
| 3.3.2 烟雾图像特征提取 | 第45-49页 |
| 3.4 基于SVM-KNN的火情识别 | 第49-52页 |
| 3.4.1 SVM算法 | 第49-50页 |
| 3.4.2 SVM-KNN分类识别算法 | 第50-52页 |
| 3.5 基于视觉的火源定位 | 第52-54页 |
| 3.6 本章小结 | 第54-55页 |
| 4 隧道机器人导航规划 | 第55-76页 |
| 4.1 隧道环境和隧道机器人功能需求 | 第55-56页 |
| 4.1.1 隧道环境 | 第55-56页 |
| 4.1.2 隧道机器人功能需求 | 第56页 |
| 4.2 基于激光雷达与视觉传感器的隧道障碍物检测 | 第56-63页 |
| 4.2.1 激光雷达障碍物检测 | 第56-57页 |
| 4.2.2 结合激光雷达与视觉传感器的障碍物检测 | 第57-60页 |
| 4.2.3 实验分析 | 第60-63页 |
| 4.3 基于改进RRT的路径规划算法 | 第63-69页 |
| 4.3.1 经典RRT算法 | 第63-65页 |
| 4.3.2 RRT算法的优缺点分析 | 第65-66页 |
| 4.3.3 具有多约束的改进RRT算法 | 第66-69页 |
| 4.4 基于改进RRT和粒子群算法的混合路径规划 | 第69-75页 |
| 4.4.1 粒子群算法 | 第69-71页 |
| 4.4.2 改进RRT和粒子群算法的混合路径规划 | 第71-73页 |
| 4.4.3 实验分析 | 第73-75页 |
| 4.5 本章小结 | 第75-76页 |
| 5 系统实验验证 | 第76-93页 |
| 5.1 火情探测系统实验与结果分析 | 第76-83页 |
| 5.1.1 火情识别算法实现 | 第76-78页 |
| 5.1.2 火情识别算法性能评价指标 | 第78-79页 |
| 5.1.3 测试结果与分析 | 第79-83页 |
| 5.2 导航决策 | 第83-91页 |
| 5.2.1 隧道环境 | 第83-84页 |
| 5.2.2 仿真建模 | 第84-85页 |
| 5.2.3 仿真实验算法验证与分析 | 第85-91页 |
| 5.3 本章小结 | 第91-93页 |
| 结论 | 第93-95页 |
| 致谢 | 第95-96页 |
| 参考文献 | 第96-101页 |
| 攻读硕士学位期间发表的学术论文及研究成果 | 第101页 |
