（定稿）农业循环经济生态园区项目投资立项申报书4

将其引入图像匹配过程，使匹配由单的个点开始逐点移动模板进行相似度运算变为随机生成数个点进行相似度运算，并通过的进化功能由适当的适应度函数指导其搜索过程向最优点进化，进而大大减少运算量，提高识别的快速性。

遗传算法的基本原理是在自然选择和群体遗传学机理基础上通过随机选择选代进化等步骤来模拟自然进化过程以搜索全局最优解。

遗传算法结合了达尔文适者生存和随机信息交换，在消除了求解过程中不适应因素的同时，还利用了原有解的已有知识，有力地加快了搜索最优解的过程。

遗传算法般可通过染色体编码生成初始群体计算个体适应度遗传算子选择算子交叉算子和变异算子等步骤来实现。

遗传算法中的遗传算子包括选择交叉和变异等三个算子，它们构成了遗传算法具备强大搜索能力的核心。

选择算子又称复制或繁殖算子是对群体中的个体按优胜劣汰的方式选取，并遗传到下代群体的运算操作。

选择操作的目的是为了从当前群体中选出生命力强的染色体，使它有机会保留用以繁殖后代。

判断染色体优良与否的准则就是各自的适应度值，个体适应度值越大，其被选择的机会就越多。

根据不同的问题，选择的方法可采用适应度比例选择法也称轮盘赌方式最佳个体保存方法期望值方法排序选择法和随机联赛选择法等。

交叉算子又称重组或配对算子是遗传算法中产生新个体的主要方法，在算法中起着关键性的作用。

它的操作是对两个互相配对的染色体按种方式互相交换其部分基因，从而形成两个新的个体。

对于选中用于繁殖后代的个体，随机选择交叉位置，交换两个基因串位置右边的部分，产生两个新的个体，这两个新个体组合了其父代的特性。

常用的交叉算法有单点交叉双点交叉与多点交叉均匀交叉和算术交叉等。

变异操作模拟自然界生物体进化中染色体上位基因发生的突变现象，从而改变染色体的结构和物理性状。

选择算子和交叉算子基本上完成了遗传算法的大部分搜索功能，而变异算子则使遗传算法具有局部的随机搜索能力，可加强向最优解收敛并保证遗传算法的有效性。

变异算子首先在群体中随机地选择个个体，以定的概率随机改变基因串中个字符的值。

为了保证个体变异后不会与父辈产生太大的差异，变异概率般取值较小般取为之间。

常用的变异算子有基本变异算子均匀变异算子非均匀变异算子正态变异算子和自适应变异算子等。

遗传算法提供了求解复杂系统优化问题的通用框架，不依赖于问题的具体领域，对问题的种类有很强的鲁棒性，广泛应用于函数优化组合优化自动控制图像处理等领域。

理论研究已经证明，遗传算法能从概率意义上以随机的方式寻求到问题的最优解，但在实际应用中，遗传算法出现了些不尽如人意的问题，如早熟现象局部寻优搜索能力较差等问题。

应用研究表明，目前些常规遗传算法并不定是针对问题的最佳求解方法，例如将常规的遗传算法应用到图像匹配中往往不能有预想的效果，而将遗传算法问题的特有知识集成到起构成的混合遗传算法却有可能产生出求解性能极佳的方法。

遗传算法图像匹配距离图像匹配的计算量强大。

工件定位执行机构和控制系统定位抓取系统的执行机构对物体进行抓取，称之为执行机构，执行机构可以是利用来控制的伺服电机驱动，也可以是利用信号控制的机器人来操作机械手进行动作，还有就是利用液压或者气压来操作连杆机构进行动作。

般工业机器人包括六个自由度的动作，三个平移变量三个旋转变量。

如图所示。

其运行模式包括求教模式和远程控制模式。

在传统的机器人使用当中，般是基于精确的机器人示教，然后进行试运行，对工作进行抓取或者其它动作的执行。

除此之外，也可以用远程控制模式，就是利用机器人厂家提供的编程软件进行工件运动轨迹的编写，然后导入这软件中进行动作的试动作，最后进行实物的抓取工作。

图工业机器人的结构图机械手的坐标系统和参数设置为了使机械手能够按照用户的要求到达指定的位置，必须先人为的规定其坐标系。

而且考虑到机械领域的通用性，尽量减少其工作量而使具有同外形同种结构的机械手规定为种坐标系统。

其模型的坐标系设置具有通用性，都是按照人们普遍习惯设置的坐标系。

坐标系的方向应该符合右手笛卡尔坐标原则。

其方向性离远离观察者为正，还应使在同平面的坐标轴名称致。

在旋转情况下，应该符合逆时针为正的原则。

执行机构的控制通信系统工业机器人般由机器人本体机器人控制柜系统控制器伺服驱动系统和检测传感装置构成。

机器人可以通过编程控制器进行示教来控制机器人的运作，还可以通过机器人自带软件进行编程，然后来控制机器人手指进行三维空间内的任意轨迹的运动，还可以进行抓取工作，所以是由这软件来进行控制柜与机器人本体之间的数据的传送。

上位机与下位机之间的通讯往往需要通讯协议，通讯协议有和，其通讯般由下位机决定。

和于年提出来的，这种匹配方法在有零均值高斯噪声的图像中可以估计出最佳的匹配位置，而且不需要参数。

其有向距离定义为的计算虽然比较简单，但是与部分距离相比，当处理目标存在遮掩和外部点干扰时，它的匹配性能并不好，因为它采用平均值计算有向距离，噪声点也参与了计算，因此，该距离用于匹配的有效性较差。

距离变换在距离求解中，对于点集中任点到点集的最近距离即，通常用欧几里德距离进行计算，计算量很大。

实际上，在边缘提取过程中，受到噪声畸变以及探测算子本身的影响，没有必要精确计算欧几里德距离值。

在保证运算结果准确性的前提下，我们可以采用近似的距离变换。

距离变换在许多机器视觉应用中是非常重要的。

它被应用在模式识别形态学等方面。

二值图像的距离变换最先被提出，其后发展出很多不同的距离变换，常见的有街区距离变换棋盘距离变换切削距离变换欧式距离变换。

在机器视觉上的应用包括最近邻像素差值形态学处理提取骨架剪枝细化粗化和模式识别汽车导航中的物体立体特征匹配和地图匹配机器人碰撞回避路径发现和空间图像匹配。

距离变换的相关性还被应用在加速图像物体的发现上，它将物体看作在任意位置和方向上的边缘模式。

此外，距离变换辅助的自适应点匹配也被应用在地图匹配问题上。

基于遗传算法的图像匹配遗传算法图像匹配原理遗传算法，简称是种求解问题的高效并行全局搜索是相向选取设计选项，在名称输入组件的名称。

取消选中使用缺省模板复选项，单击按钮。

如图图图此时，系统打开新文件选项对话框，选取选项，再单击按钮进入设计环境。

如上图单击右工具箱中的按钮，打开浏览对话框，选择要装配的轴，直接单击按钮，退出。

再单击按钮，选择要进行装配的另个元件轴承，打开后，在有边出现如下图的对话框。

在连接约束中选择相应的装配方式。

选取所要连接的轴端面和轴承面后，再点元件放置对话框中的，选择对齐方式，在工作环境中选择轴和轴承的轴线。

单击按钮。

再单击按钮，选择相应的齿轮，选择轴对齐和端面匹配命令，完成如下图添加轴承，选择轴对齐和端面匹配命令，完成如下图类似以上的装配方法，完成输出轴的装配。

装配行星轴和轴承添加行星轮，完成行星轮的装配阵列行星轮选择轴线参照，在智能菜单中输入阵列数为，角度为。

单击工具栏中按钮，打开新建对话框，在类型复选框中选取组件选项，在子类型复选框中选取设计选项，在名称输入。

取消选中使用缺省模板复选项，单击按钮。

单击右工具箱中的按钮，选择打开。

单击按钮退出。

再单击按钮，选择刚刚建立的轴装配组，在元件放置对话框中选择连接类型为匹配和对齐，输入匹配距离值。

完成如下图单击工具栏中按钮，打开新建对话框，在类型复选框中选取组件选项，在名称输入。

取消选中使用缺省模板复选项，单击按钮。

单击按钮，选择减速器箱体零件打开。

单击元件放置对话框中按钮，按内定的组装方式放置。

单击按钮，选择刚刚建立的轴装配组，在元件放置对话框中选择连接类型为匹配和对齐，输入匹配距离值。

完成如下图单击右工具箱中的按钮现状及发展趋势水利水电机械，文福安最新计算机辅助设计北京邮电大学出版社，张国瑞，张展行星传动技术上海上海交通大学出版社，苗君明，佟刚基于的齿轮减速器优化设计沈阳航空工业学院学报宋敏，王巧云圆柱齿轮减速器优化设计西安航空技术高等专科学校学报石博强，赵金数学计算与工程分析范例教程北京中国铁道出版社，席平原应用工具箱实现机械优化设计机械设计与研究卞炎机械传动装置设计手册上册北京机械工业出版社，邱宣怀，郭可谦等机械设计版北京高等教育出版社，黄盛基于优化工具箱的行星齿轮减速器实体设计三峡大学，孙昭文，侯清寿最新机械制图使用手册图例天津科学技术出版社，王忠茂减速器使用技术手册北京机械工业出版社，林清安的及的实例应用北京机械工业出版社，吴宗泽，罗圣国机械设计课程设计手册北京高等教育出版社，崔凤奎机械设计北京机械工业出版社林清安零件转配与产品设计北京电子工业出版社，洪立群工程图制作北京中国铁道出版社，张学军机械设计与应用北京国防工业出版社，，，致谢本课题从选题开题设计资料的收集，到论文的撰写修改无不饱含着导师陈洪军老师的智慧和心血。

这期间，导师在学术上给了我热情的指导和关心，其广博的知识严谨的作风深深地感染了我，使我终身受益。

在此毕业设计完成之际，谨向导师及各科老师致以崇高的敬意和衷心的感谢，在毕业设计过程中，要特别感谢同学和朋友们给予的无私帮助和很多有效的建议。

同并选择如图所示算法，其借鉴了自然界的自然选择和自然遗传机制，能够快速到达最优解的搜索范围，从而得到全局最优解。

将其引入图像匹配过程，使匹配由单的个点开始逐点移动模板进行相似度运算变为随机生成数个点进行相似度运算，并通过的进化功能由适当的适应度函数指导其搜索过程向最优点进化，进而大大减少运算量，提高识别的快速性。

遗传算法的基本原理是在自然选择和群体遗传学机理基础上通过随机选择选代进化等步骤来模拟自然进化过程以搜索全局最优解。

遗传算法结合了达尔文适者生存和随机信息交换，在消除了求解过程中不适应因素的同时，还利用了原有解的已有知识，有力地加快了搜索最优解的过程。

遗传算法般可通过染色体编码生成初始群体计算个体适应度遗传算子选择算子交叉算子和变异算子等步骤来实现。

遗传算法中的遗传算子包括选择交叉和变异等三个算子，它们构成了遗传算法具备强大搜索能力的核心。

选择算子又称复制或繁殖算子是对群体中的个体按优胜劣汰的方式选取，并遗传到下代群体的运算操作。

选择操作的目的是为了从当前群体中选出生命力强的染色体，使它有机会保留用以繁殖后代。

判断染色体优良与否的准则就是各自的适应度值，个体适应度值越大，其被选择的机会就越多。

根据不同的问题，选择的方法可采用适应度比例选择法也称轮盘赌方式最佳个体保存方法期望值方法排序选择法和随机联赛选择法等。

交叉算子又称重组或配对算子是遗传算法中产生新个体的主要方法，在算法中起着关键性的作用。

它的操作是对两个互相配对的染色体按种方式互相交换其部分基因，从而形成两个新的个体。

对于选中用于繁殖后代的个体，随机选择交叉位置，交换两个基因串位置右边的部分，产生两个新的个体，这两个新个体组合了其父代的特性。

常用的交叉算法有单点交叉双点交叉与多点交叉均匀交叉和算术交叉等。

变异操作模拟自然界生物体进化中染色体上位基因发生的突变现象，从而改变染色体的结构和物理性状。

选择算子和交叉算子基本上完成了遗传算法的大部分搜索功能，而变异算子则使遗传算法具有局部的随机搜索能力，可加强向最优解收敛并保证遗传算法的有效性。

变异算子首先在群体中随机地选择个个体，以定的概率随机改变基因串中个字符的值。

为了保证个体变异后不会与父辈产生太大的差异，变异概率般取值较小般取为之间。

常用的变异算子有基本变异算子均匀变异算子非均匀变异算子正态变异算子和自适应变异算子等。

遗传算法提供了求解复杂系统优化问题的通用框架，不依赖于问题的具体领域，对问题的种类有很强的鲁棒性，广泛应用于函数优化组合优化自动控制图像处理等领域。

理论研究已经证明，遗传算法能从概率意义上以随机的方式寻求到问题的最优解，但在实际应用中，遗传算法出现了些不尽如人意的问题，如早熟现象局部寻优搜索能力较差等问题。

应用研究表明，目前些常规遗传算法并不定是针对问题的最佳求解方法，例如将常规的遗传算法应用到图像匹配中往往不能有预想的效果，而将遗传算法问题的特有知识集成到起构成的混合遗传算法却有可能产生出求解性能极佳的方法。

遗传算法图像匹配距离图像匹配的计算量