针对光照分布不均匀的室内环境下低动态载体速度计算实时性较差的问题,提出一种基于改进奇异值分解(SVD)-Harris的低动态载体速度快速计算的新方法。利用SVD对相邻两帧视觉图像分别进行压缩与重构,并结合改进的Harris角点检测算法对两帧图像进行特征点的检测;利用归一化互相关(NCC)模板匹配算法对相邻两帧视觉图像的特征点进行粗匹配;利用随机抽样一致性算法进行误匹配点对的剔除;利用特征匹配点对的信息对载体的速度进行计算。实验结果表明:传统算法的平均计算时间为3.07 s,而改进算法的平均计算时间为0.71 s,且传统算法的误匹配率远大于改进算法。与传统的NCC模板匹配方法相比,所提算法不仅保证了低动态载体速度计算的精确性,而且显著提高了载体速度在光照不均匀的室内环境下的计算效率,该研究为实现室内移动机器人实时视觉导航提供了理论依据。

基于稻种老化时间不同时的物理学和生理学差异, 提出一种基于红外热成像技术及广义回归神经网络的快速、 无损检测稻种发芽率的检测方法, 解决传统稻种发芽率检测方法操作复杂、 实验周期长等问题。 在温度为45 ℃、 湿度为90%的条件下, 将水稻种子依次老化0, 1, 2, 3, 4, 5, 6和7 d, 得到不同发芽率的种子; 采集稻种红外热图像, 然后提取稻种胚芽部位数据, 总计144份, 随机分为校正集和预测集, 其中校正集96份, 预测集48份; 分析和比较不同老化天数稻种红外热差异, 从物理学和生理学方面揭示稻种发芽率与红外热图像间的关系, 结合偏最小二乘算法（partial least squares, PLS）、 BP（back propagation, BP）人工神经网络和广义回归神经网络(general regression neural network, GRNN), 建立稻种发芽率的红外热模型。 结果表明, 利用GRNN建立的发芽率预测模型效果最优, 其中校正集的RC（相关系数）和SEC（标准偏差）分别为0.932 0和2.056 0, 预测集RP（相关系数）和SEP（标准偏差）分别为0.900 3和4.101 2, 相关性均达到较高水平且校正集与预测集的标准偏差均较小。 实验结果表明, 采用红外热成像技术结合广义回归神经网络研究稻种发芽率是可行的, 且所建模型在稻种发芽率快速测定方面有较高的精度。

基于老化不同时间的稻种的生理学和物理学特性，提出一种基于多尺度小波变换和灰色神经网络的稻种发芽率红外热预测模型，实现稻种发芽率的快速、无损检测，解决传统发芽实验法实验周期长、操作复杂等问题。从不同发芽率稻种的胚芽部位提取144组数据，通过多尺度小波变换，分析逼近信号和细节信号，得出第3层细节信号(d3) 贡献最大。以第3层细节信号作为模型的输入，随机分为校正集和预测集，校正集96组，预测集48组。分析和比较老化不同时间的稻种的红外热差异，通过偏最小二乘算法(PLS)、BP神经网络、径向基神经网络(RBFNN)和灰色神经网络(GNN)，建立稻种发芽率红外热预测模型。结果表明，GNN建立的稻种发芽率模型预测效果最优，其中校正集相关系数(RC)和标准偏差(SEC)分别为0.9619、2.5013，预测集相关系数(RP)和标准偏差(SEP)分别为0.9554、2.4172，相关性达到较高水平且误差较小。研究表明采用小波分解和灰色神经网络建立稻种发芽率红外热预测模型的方法是可行的。