基于改进Mask R-CNN+LaneNet的车载图像车辆压线检测

针对辅助驾驶或自动驾驶领域车载图像的车辆压线检测问题,以及检测过程中由于欠曝、阴影或实体遮挡等因素导致的漏检、误检问题,提出基于改进Mask R-CNN与LaneNet的车辆压线检测算法.在网络优化方面,在Mask R-CNN网络的基础上将RoI Align层的图像缩放算法(双线性插值)改进为双三次插值,将全连接层卷积...     

改进UNet与DBSCAN融合的车道线检测方法

室内外标记线和车道线检测是移动作业机器人研究的难点这一。针对现有方法效率低、精度差等问题，提出了改进UNet与DBSCAN融合的车道线检测方法。基于分布式融合结构，将图像输入嵌有并行融合注意力模块的UNet,通过注意力机制加大车道线权重，并抑制干扰信息，以获得更好的识别结果。三维激光雷达的点云数据通过随机抽样一致算法和自适应邻域DBSCAN获得车道线原始点云，经过最小二乘拟合得到点云车道线。在像素坐标系上引入匈牙利算法匹配决策判断，实现车道线拟合。基于KITTI数据集和真实数据集进行试验验证，识别结果优于UNet和LaneNet,检测时间平均约为0.5 s,相比纯视觉方法具有较好的鲁棒性和准确性。     

基于卷积神经网络的汉字编码标记点检测识别

近景摄影测量中采用的标记点要求具有唯一身份号并能在图像中被精确识别定位。设计了一种以汉字作为编码特征的编码标记点,提出了一种基于卷积神经网络的编码标记点检测识别方法。首先采用基于相机成像原理的虚拟相机法,自动生成大量汉字编码点模拟图像作为训练样本,并据此训练卷积神经网络成为汉字编码点识别网络。根据一系列编码点筛选准则分割得到实拍汉字编码点,然后用编码点识别网络对其身份号进行识别,最后通过中心定位算法定位编码点中心。实验结果表明构建的识别网络对汉字编码点识别率可达97. 67%,且受噪声、投影角度、图像对比度、亮度等因素的影响小;分割算法鲁棒性强,能准确分割出汉字编码点;中心定位算法对编码点中心的定位精度高。     

基于机器视觉的光伏电池板检测系统

光伏电池板生产过程中存在缺陷检测漏检、误检以及人工检测效率低的问题,容易造成二次损伤,为此提出一种基于机器视觉的光伏电池板检测系统。该系统使用图像预处理、图像去噪、图像分割以及特征提取等技术算法,采用卷积神经网络模型,通过交叉熵损失目标函数进行自主学习,提升检测的准确性。应用验证,该系统具有较高的检测效率和准确率,为企业带来提质、降本、增效的效果。     

复杂变道场景下的轻量化车道线检测算法研究

设计了一种轻量化的车道线检测算法用来解决复杂变道场景下存在遮挡并可能伴随阴影、光线不足等不利因素时的车道线识别任务。首先对主流的车道线检测算法逻辑作简要概述，进一步剖析其存在的不足。随后从轻量化的主干特征提取网络RepVGG-A0、路径聚合网络模块、先验车道线特征提取模块、损失函数设计等方面展开进行介绍，从整体上搭建了基于跨层特征融合的轻量化车道线检测网络。最后利用CULane数据集进行相关测试并完成了与其他相关检测算法的性能对比。测试结果表明，提出的轻量化车道线检测算法能够在保持检测精度良好的情况下速度达到132帧每秒，在经TensorRT推理加速后，检测速度突破220帧每秒，充分达到了实时性检测的要求。     

基于OpenCV图像处理的车道线识别研究

近年来,智能驾驶技术成为国内外学者研究的热门,车道线识别技术作为智能驾驶领域的一项关键技术,需要准确地识别出各种条件下的车道线。本文设计了一种基于OpenCV图像处理的车道线识别算法,该算法首先将图像进行色彩空间转换,然后利用大津法（OTSU）和Canny算子对图像进行分割,设计掩膜找出图像中的感兴趣区域,采用渐近概率式Hough变换对直线车道线进行检测,拟合直线绘制出车道线,最后借助OpenCV平台对算法进行实现,结果表明该算法对直线车道线识别具有很好的效果。     

基于改进Unet的起重机攀爬机器人车道识别

起重机攀爬机器人是一种代替人力检测起重机的机械设备。为解决起重机攀爬机器人自动寻路的车道识别问题,文中设计了一种针对起重机金属结构特点优化,将MobilenetV2作为特征提取部分与Unet网络相结合的M2-Unet卷积神经网络。用攀爬机器人在门式起重机上采集1 979张图像数据,由专业标注软件Labelme制作成数据集进行训练与测试,并使用其他2种主流的语义分割网络在相同的数据集上作对比实验。实验结果表明,相较于其他2种图像分割网络,改进的M2-Unet卷积神经网络的分割准确率最高;M2-Unet网络对测试集479张图片的平均识别准确率在96%以上,平均运行时间远小于0.5 s,能同时满足起重机攀爬机器人车道识别任务的实时性和精度要求。     

采用深度级联卷积神经网络的三维点云识别与分割

三维目标识别和模型语义分割在自动驾驶、机器人导航、3D打印和智能交通等领域均有着广泛应用。针对PointNet++未能结合三维模型的上下文几何结构信息的问题,提出一种采用深度级联卷积神经网络的三维点云识别与分割方法。首先,通过构建深度动态图卷积神经网络捕捉点云的深层语义几何特征;其次,通过将深度动态图卷积神经网络作为深度级联卷积神经网络的子网络递归地应用于输入点集的嵌套分区,以充分挖掘三维模型的深层细粒度几何特征;最后,针对点集特征学习中的点云采样不均匀问题,构建一种密度自适应层,利用循环神经网络编码每个采样点的多尺度邻域特征以捕捉上下文细粒度几何特征。实验结果表明,本算法在三维目标识别数据集ModelNet40和MoelNet10上的识别准确率分别为91.9%和94.3%,在语义分割数据集ShapeNet Part,S3DIS和vKITTI上的平均交并比分别为85.6%,58.3%和38.6%。该算法能够提高三维点云目标识别和模型语义分割的准确率,且具有较高的鲁棒性。     

基于改进Mask-RCNN算法的车位检测研究

车位检测是自动泊车至关重要的环节,在复杂情况下,为同时实现自动泊车视觉系统对车位识别和车位状态分类,提出一种基于改进掩模区域卷积神经网络(Mask Region Convolutional Neural Network,Mask-RCNN)算法的C-Mask-RCNN车位检测算法。C-Mask-RCNN车位检测算法通过在Mask-RCNN算法的ResNet50特征提取网络中增加卷积块注意力模块(Convolutional Block Attention Module,CBAM),使模型更加关注车位相关的语义信息。利用C-Mask-RCNN车位检测算法中的区域卷积神经网络(Regions with Convolution Neural Network,RCNN)分支网络进行车位检测,实现Keypiont分支进行车位8个关键点的预测。实验结果表明,改进后的C-Mask-RCNN车位检测算法较Mask-RCNN算法在车位类型识别平均精确率上提升7.4%,在车位状态识别平均精确率上提升11.1%,并且车位线关键点预测的平均像素误差减少15.1 px。     

基于GM-APD激光雷达数据融合的小目标检测

GM-APD激光雷达具有单光子探测灵敏度,大幅降低了系统体积和功耗,但受像元数限制,难以获得远距离小目标清晰轮廓,目标检测率不高。针对该问题,提出了基于强度像和距离像多级处理的小目标深度学习检测算法,充分挖掘强度图像和点云特征信息及相互关联性,提高小目标检测概率。通过改进特征金字塔网络,将感受野模块和注意力机制模块与特征提取网络相结合,增强强度像初筛目标准确性,在候选区域内将强度像与距离像融合成带有强度信息的四维点云。然后,使用动态图卷积网络对候选区内目标进行二次检测,利用点云信息进一步筛选候选框内的目标。经GM-APD激光雷达远距离车辆数据集测试,网络的检测准确率达到98.8%,对于车辆结构不完整,车辆回波弱,背景存在强反射光斑等复杂场景有很好的鲁棒性。相较于SSD,YOLOv5等较为先进的目标检测网络,检测准确率分别提升了3.1%与2.5%,该算法为激光雷达弱小目标检测识别提供了一种可行性解决方案。     

面向智慧矿山的无人矿用卡车运动信息识别算法

针对现有智慧矿山排班、调度、路径规划系统中无法通过外界感知自行判断矿用自卸卡车（矿卡）前进方向的问题以及为提高系统对矿卡的检测速率与特征信息识别效率，提出了一种基于YOLO-v5的改进算法。算法将矿卡车身与车头部位的边界框分别进行捕捉跟踪，首先调整输出参数，借助各个边界框的中心点坐标计算方向向量。其次利用所提出的方向角转换的算法，与YOLO-v5结合，实现矿卡转向及转角的判断。另外添加防误识别、漏检机制，防止在多目标识别定位的情况下出现漏检误检问题。最后为了增加安全性，添加矿卡动静识别机制，防止矿卡意外停车导致的安全事故。实验结果表明，改进后的YOLO-v5算法不仅保留了其原有的识别速度和精度还能有效的解决智慧矿山系统无法识别矿卡前进方向的问题，并且在具有高速检测的同时还提高了模型的泛化能力。     

基于机器视觉的试样接触疲劳实时检测方法

为了提高滚动接触疲劳试验中,试样接触疲劳检测的速度和精度,提出了一种基于机器视觉的试样接触疲劳实时检测方法。首先基于灰度值统计,设计算法提取试样工作表面区域,再采用改进的动态阈值对提取的区域进行初步检测。然后设计了陷波带阻滤波器并结合空间域滤波作为疲劳特征精确检测的滤波方法。最后融合形态学处理和Otsu算法对滤波后的图像进行目标分割。实验结果表明,该方法漏检率为0.7%,误检率为3.6%,检测精度达到97.5%,能在线对试样疲劳状态进行精确判定,满足实时检测要求。     

基于卷积神经网络的设备安装位置智能识别方法

该文针对IT系统集成机柜建立了一套基于卷积神经网络的柜内设备智能识别系统。设计基于图像处理和深度学习的识别算法以实现机柜内设备安装位置的检测识别。建立设备图像数据集对YOLO模型进行训练,得到合适的加权系数,使模型损失函数值最小;将训练好的模型对实际环境中的机柜进行检测并与其他经典方法进行对比。实验结果显示,该系统检测的准确率和实时性都优于其他算法,准确率最高达到93.9%。对于建立基于机器视觉的设备识别和控制系统有重要意义,可以在一定程度是上取代人工识别和操作。     

基于标签预留Softmax算法的机器视觉检测鉴别语义分割迁移学习技术

面向机器视觉检测鉴别的语义分割卷积神经网络(Convolutional Neural Network,CNN)模型能识别、测量被测对象的零部件、尺寸等特征,针对机器视觉检测鉴别增加识别零部件或关键部位的需求,以及进一步迁移学习会损失CNN模型部分权值的问题,提出一种基于标签预留Softmax算法的语义分割迁移学习技术....     

动态检测打火机微量气体泄漏的双重算法

在个体行为数据聚类的双重混合高斯模型算法假设的基础上,提出一种打火机微量气体泄漏动态检测的双重算法。算法通过动态空间扫描和浓度空间补偿的方法,完成了泄漏打火机的甄别并消除了打火机泄漏气体对相邻对象检测准确度的影响,解决了具有多峰值特征的单支打火机微量气体泄漏程度判别的问题。试验证明在工厂环境下使用该算法,漏检率优于0.06%、误检率优于0.18%,有效地提升了检测效率,能够为同类小型密封容器密封性能的检测提供借鉴。     

基于OCR的智能电表缺陷检测系统北大核心CSCD

智能电表外观检测是智能电表检定流水线中重要环节,传统检定方法主要依靠人工,不仅费时而且误检率高。由于真实含缺陷样本数量稀少,无法构建数据充足的缺陷样本数据集,因此文中基于OCR检测正常字符,对未通过检测的字符进行缺陷检测。首先利用自建数据集训练一个能检测电气符号的OCR模型,并对每一类电表建立一个标准模板。针对文字检测漏检问题提出了通过模板信息与文字检测结果求取遗漏的待检测区域算法。针对缺陷检测容易误检漏检等问题设计了一个多维度缺陷检测算法。实验结果表明:设计的文本区域分割算法切分准确率能达到100%,OCR识别准确率为96.4%,缺陷检测准确率为98.3%,在RTX3060显卡条件下平均检测速度为0.524 s/张。所设计的方法满足工业检定流水线的检测精度与检测速度需求。     

直线道路识别实用性的优化分析

为了提高车道识别的实时性与鲁棒性,提出了一种车道识别优化方法。通过建立强鲁棒性的车道模型,对传统的道路图像边缘算法优化处理:图像预处理中充分考虑实用性,采用了加权平均法实现灰度化、中值滤波法降噪处理以及自适应Otsu法二值化分割图像、Canny算法实现边缘检测;基于模型利用极角极径法提取图像的感兴趣区域,改进Hough算法实现有效车道线的识别。最后实验证明,通过与传统方法比较,该算法极大提高了车道识别的效率并且增强了可靠性。     

基于差商的油液监测铁谱图像自适应分割

针对油液监测中铁谱磨粒图像分割阈值难以选取的问题,本文提出一种基于差商的自适应铁谱图像分割算法。首先,将铁谱磨粒灰度图像转换成三维灰度直方图,并对其进行切片分析;然后,引入Newton插值多项式,将不同切片所得的频数作为切片灰度-频数曲线的插值点,基于差商构造第一类可接受函数和第二类可接受函数,结合实验数据确定两类误差,选取同时满足两类误差的最小灰度值作为分割阈值;最后,用本文方法对不同类型的磨粒图像以及添加高斯噪声和椒盐噪声后图像分别进行分割实验,并与经典的迭代阈值法、Otsu算法、最大熵法进行了比较。实验结果表明,本文方法受噪声干扰较小,误检率和漏检率整体优于其他3种算法。对分割所得的磨粒图像进行特征提取,并利用支持向量机进行识别,本文方法对3种故障磨粒识别准确率最高,达到82.86%,虽在运行时间上无明显优势,但综合性能最优,能满足油液监测过程中铁谱图像自适应分割的需求。     

一种雾霾天气下的端到端车牌检测与识别系统

极端天气的出现可能导致车牌识别系统失效，为了提高智慧交通在雾霾天气的鲁棒性，提出一种基于自适应去雾算法的端到端车牌检测与识别模型，实现了在雾霾天气下的车牌快速检测与识别。实验结果显示：所提出的网络能有效的应用在雾霾天气的车牌检测与识别系统中，实现了最高99.3%的识别准确率。     

基于U-Net分割与弧支撑线段拟合的锻件直径在线检测

大型锻件是国家重型制造装备和重大工程建设所必需的关键和核心基础部件，目前大多还处于人工检测的阶段，如环型锻件的锻造检测过程中，通常需要人工执尺子测量，存在人为的判断误差。另一方面，锻件和所处环境温度高且测量速度慢。使用深度学习与图像处理方式测量环形锻件的直径，首先，由U-Net语义分割网络分割出锻件有效部分，其次，将分割出的图像从RGB空间转换到HSV彩色空间并调整阈值，最后，由弧支撑线段来拟合锻件，实现锻件的直径在线检测。该方法能去除复杂背景，降低锻件高温高亮导致边缘模糊的影响，减少误检和漏检且检测速度较快。实验结果表明，锻件外环和内环检测的平均绝对误差约为2.77cm,2.02cm以及平均的检测总时间约为0.4s，在环形锻件检测领域具有借鉴意义。