您的位置:首页

详情

开展人工智能研究 推动产学研融合创新——广东省数字信号与图像处理技术重点实验室主任范衠教授

2021-05-19

 

近年来,随着人工智能和机器人技术的迅猛发展,机器人在人类社会各个领域里扮演着越来越重要的角色,人工智能已成为打造数字经济新动能不可或缺的力量。世界主要发达国家纷纷把人工智能上升到国家战略高度,中国也在科技创新2030中新增了人工智能2.0重大项目。然而,目前国内机器人在性能上普遍难以达到国外同类机器人的水平,其主要原因是我国在机器人系统的设计上缺乏系统化的持续优化和自动设计的方法。广东省数字信号与图像处理技术重点实验室主任范衠教授长期致力于人工智能与机器人、计算智能、智能控制、设计自动化、 图像处理、机器视觉等方面的研究。围绕智能机器人系统设计自动化及开发、机器人设计辅助软件、图像处理算法、智能算法等领域开展技术攻关,并推动科研成果的产学研深度融合。
 
1 智能机器人技术研发及成果转化
范衠教授在智能机器人机电系统的设计自动化方面开展了深入研究开发出多套智能机器人系统取得系列科研成果并积极参与产学研融合。
1.1 智能机器人系统的设计自动化研究
范衠教授从博士学习阶段以来,主持或参与完成了美国国家科学基金项目“Automated Design of Mechatronic Systems Using Genetic Programming and Bond Graph”、丹麦国家科技与创新局项目“Automated Design of Advanced Mecha-tronic Systems”、国家自然科学基金面上项目“混合机电系统的控制器和被控对象并行进化设计研究”等课题的研究,在机电系统的设计自动化方面取得了如下主要成果。
(1)提出结合基因编程和键合图的方法,实现了机电系统的自动设计,结果发表在Mechatronics。该方法的优势在于借助键合图强大的表征能力,对系统中多领域的能量流动关系进行统一建模表达,再结合基因编程算法,实现系统键合图模型的进化优化。
(2)提出用键合图表示连续控制器,并用基因编程协同进化出机电系统控制器和被控对象,结果发表在IEEE Transactions on SystemMan and Cybernetics Part C: Applications and Reviews。该方法的优势在于融合基因编程和键合图的方法,实现了机电系统控制器和被控对象协同进化优化。
(3)提出一种差分进化算法,并成功应用于微机电系统的自动鲁棒设计,结果发表在IEEE Transactions on Industrial Electronics
(4)提出用模型预测控制表示离散逻辑控制器,混合键合图表示混合被控对象,并用基因编程协同进化出混合机电系统控制器和被控对象,研究结果发表在IEEE Transactions on Evolutionary Computation。该工作把相关的方法扩展应用到了离散控制器自动化设计上。
1.2 智能机器人系统的开发
近年来,范衠教授带领的团队在取得系列科研成果的基础上,积极参与产学研融合,与企业、科研院所开展协同攻关,开发出多套具有重要应用价值的智能机器人系统。
与华能汕头海门电厂有限公司合作开发在线管道修复智能机器人(见图5)。该机器人是国内首台用于热力管道在线修复的带压堵漏智能机器人,可以代替人进入有高温高压泄漏物喷出的环境,既可以使生产系统在不需要停机的情况下实现泄漏管道修复,又能保障维修技术人员的安全。该项目入选了广东省高校高质量成果库(2019年共75项),并受邀在2019年广东省高校高质量科技成果发布会现场发布(广东省共6项)。
与华能汕头海门电厂有限公司和广东省电力科学院三方合作开发电厂智能监盘机器人。该机器人融合了图像处理与控制技术,可协助监盘人员完成系统数据监查与相应操作票的监盘任务;可避免监盘人员长时间值班的误判情况,实现非接入集控系统的自动化安全监盘。
与汕头市万格文教科技实业有限公司合作开发卡片式编程机器人和EST可视化编程机器人两款教育类编程机器人,已成功量产并投放市场。两款机器人具有良好的人机交互设计,可供儿童进行科普教育,同时也有一定的拼砌自由度,可以为部分科研机构搭建结构模型。
与汕头市俊国机电科技有限公司合作开发平衡示教机械臂。产品主要面向中小型制造企业解决机器人换人过程中,要求快速频繁更换小批量生产时进行机械臂轨迹设计示教的难题。该产品只要让熟手工程师进行轨迹示教,即可实现机械臂轨迹规划,解决企业转型过程中一大难题。
与汕头轻工装备研究院合作开发智能科教机器人,产品已应用在佛山市科技馆。该机器人可以实现基本的循迹、语音控制以及划线运动等功能,适合用于青少年科普教育。
开发了可用于温室采摘、道路裂缝检测、电厂巡检等的两代多用途复合型机器人系统。该系统由具有四轮转向全方向结构的移动平台和具有灵活操作能力的机械臂组成,从而具有灵活的运动能力和强大的地面适应能力(翻阅凸台、凹坑等),可以实现复杂的移动操作任务。
此外,在机器人设计辅助软件方面,范衠教授带领团队开发了可用于机器人系统设计优化的自动化软件平台。该平台结合了基于三维建模的虚拟样机技术以及智能算法,可以实现对机器人的参数进行优化,并直接生成三维结构图纸,用于进一步的性能评价与细节设计,有效加快了机器人设计进程,缩短了设计周期。当前该软件平台在六自由度机械臂及平衡示教机械臂的设计开发中获得了应用。
 
2 开发基于深度学习的图像处理算法
在图像处理方面,范衠教授带领团队立足自身学科优势及企业实际需求,结合机器学习、深度学习,开发出智能图像处理算法,且已成功应用于工业、农业、交通和医疗等领域,取得了显著的经济效益和社会效益。
通过与汕头市俊国机电科技有限公司的合作,范衠教授带领团队针对弱结构化的生产环境,开发出具有良好鲁棒性的自动化识别钢坯字符的智能算法;结合深度卷积神经网络和无监督聚类技术,研发出钢筋端面识别计数系统,可以快速地对图像中的钢筋端面进行识别定位并有效计数,减少了生产环境中钢筋端面计数的人力成本。
在与广东航宇卫星科技有限公司合作中,范衠教授带领团队开发烟草植株自动检测技术,通过无人机进行烟草种植区图像采集,并利用深度卷积神经网络对图像中的烟草植株进行识别和定位,最后自动完成植株计数,有效取代传统的烟草植株人工计数工作。
在医学实践中,眼底图像的视盘检测和血管分割在眼底图像分析与计算机辅助眼病诊断中扮演着举足轻重的角色,它对早期发现和治疗不同的心血管病和眼部疾病(如中风、静脉阻塞、糖尿病和动脉硬化)具有重要价值。因此,在眼底图像视盘检测和血管分割方面的研究对提高医生对眼部疾病进行诊断具有十分重要的现实意义。为此,范衠教授带领团队开发出一套眼科疾病辅助诊断系统(图6)。在眼底图像血管分割方面,他提出了一种用于血管分割的分层抠图模型。该模型结合了血管的延展性特征,实现了眼底图像中血管的有效分割;在眼底图像中视盘检测方面,他提出了一种基于结构学习的视盘检测算法,利用视盘的边缘信息与区域信息对视盘进行检测,从而提高了算法的性能,为视盘检测的研究提供了新的方法和思路。
此外,范衠教授带领团队还发明了中华白海豚背鳍定位与识别系统和道路裂缝自动检测系统。前者融合图像处理方法和深度学习算法对中华白海豚背鳍进行定位与识别,对生物行为研究和海洋生态保育有重要意义;后者结合传统图像处理方法和深度学习算法对道路裂缝进行识别和分割,可实现对道路养护状态的自动化检测。
 
3 开展智能算法研究
在多目标进化算法领域,范衠教授研究了一种由外部种群引导的多目标进化算法,该算法集合了基于分解的(MOEA/D)和基于支配的(NSGA-II)两大类多目标进化算法的优点,能够同时提高多目标算法的收敛性和分布性(图7)。该工作已经在IEEE Transactions on Evolutionary Computation上发表。此外,范衠教授还提出了一种基于分解排序(DBS)与角度选择(ABS)的多目标算法MOEA/D-SAS,通过基于分解的排序来维持种群的收敛性,基于角度的选择来维持种群的多样性,有效解决了种群收敛性和多样性平衡的问题。MOEA/D-SAS对处理具有不规则PFs的多目标优化问题,效果尤其显著,研究结果发表在上IEEE Transactions on Cybernetics
在约束多目标进化算法领域,针对约束多目标优化问题的特点,范衠教授提出从无约束Pareto前沿反向搜索到约束Pareto前沿的思想,从而有效克服了传统约束多目标进化算法无法跨越多个不可行区的难题。PPS搜索过程分为两阶段:一是push阶段搜索无约束的PF,二是pull阶段把种群从不可行区域拉回到可行的非支配区域。实验结果表明,所提出的PPS算法在14个测试问题和机械手抓优化问题上,IGD指标方面比其他当前较好的6种算法提升12个数量级,研究结果发表在Swarm and Evolutionary Computation上。
约束多目标优化的难点之一是如何在保持多样性和收敛性的同时进行高效的约束处理。为了提高种群的多样性,范衠教授提出了一种基于角度约束支配的方法(Angel-based Constraint Domination Principle,ACDP)。所提出的约束处理机制ACDP在MOEA/D框架下进行了实现,在14个基准测试问题和一个工程优化问题上,与6种当前较好的约束多目标进化算法(CMOEAs)对比。实验结果表明,MOEA/D-ACDP在保持种群的收敛性、多样性和可行性方面更具优势,充分体现了所提出的约束处理机制ACDP的有效性,研究结果发表在Applied Soft Computing上。
另外,针对现有约束多目标测试问题的不足,范衠教授定义了一类难度可控、目标和约束数量可调的约束多目标测试问题。他对约束问题的难度类型进行了定义,提出了3种难度的约束类型,即多样性困难、可行性困难和收敛性困难。3种难度类型的约束能够任意组合,构成同时具有多种难度类型的约束多目标测试问题。每种约束类型的难度都可以自由调整,问题可以进行自由定制,能够全面综合评估约束多目标进化算法在单一难度或多种难度下的性能,研究结果发表在Evolutionary Computation上。
近年来,范衠教授结合自身学科优势和企业生产需求,围绕智能机器人、图像处理和智能优化算法等方面开展了技术创新和产学研合作,在智能装备等领域成果转化效果显著,取得了较好的经济和社会效益。