基于U-net的多时相高分遥感影像耕地语义分割研究

针对手工进行耕地语义分割存在耗时长、效率低下、分割结果严重依赖于工作人员的经验以及传统方法无法较好地满足耕地语义分割要求的问题,首次提出了一种基于U-net的多时相高分遥感影像耕地语义分割方法。首先对多时相高分遥感影像进行数据预处理,然后对其进行数据增强,接着构建U-net神经网络,使用训练集进行训练,并用测试集来测试神经网络的性能。结果以人工标注的结果作为参考,在保持相同训练集和测试集的情况下,分别用FCN、SegNet和U-net做对照实验。实验结果表明,U-net的分割准确率高于FCN和SegNet,且对边缘分割得较为平整;U-net神经网络能够有效地实现耕地语义分割任务。     

车牌字符分割与识别算法的研究与实现

本文在车牌定位的基础上。利用迭代法进行车牌图片二值化。然后利用基于连通区域标记的方法对图片进行目标区域标记。结合车牌先验知识对车牌字符进行切分。提取字符的13特征。利用BP神经网络进行字符识别。实验结果表明,本文采用的字符分割和识别算法效果良好。     

基于神经网络模型的扫描电镜图像字符识别方法

为了提取某半导体生产线中扫描电镜图中的字符信息,提出了一种基于BP神经网络模型的图像字符识别方法。首先,基于数字图像处理方法对扫电图片进行预处理,得到图片内最可能为字符的子区域;然后,根据带有标注的历史字符集,基于BP算法训练出字符识别神经网络模型;最后,基于该模型识别生产线中的扫电图片,得到正确的字符信息。提出的方法与传统的基于模板匹配法的OCR方法相比,识别准确率高,对于模糊扫电图片的识别准确率超过传统方法的50%。经过生产线的线下运行验证,验证了该方法的可行性,提高了生产线的智能制造水平。     

基于机器视觉和神经网络的低质量文本识别研究

针对流水线产品上的文本图片含有较多噪声和缺陷,造成机器视觉产品中字符识别准确率低,鲁棒性差的问题,对文本识别中的图像预处理、字符切分和归一化、字符识别等方面进行了研究,采用机器视觉技术中基于仿射变换的预处理方法对文本图片进行了倾斜校正,保证了后续字符的精确切分;提出了一种基于改进的BP神经网络算法,显著提高了字符识别的准确率和鲁棒性,利用附加动量法和自适应学习速率方法,避免了传统BP神经网络训练过程中易陷入局部极小值的情况,并提高了神经网络模型的收敛速度。研究结果表明:该方法能使倾斜的图片得到有效校正,神经网络模型的训练效率得到有效提高,且在含有噪声和缺陷的字符图片中仍能保持较高的识别率和鲁棒性。     

基于视觉显著性的木板实时分类方法研究

木板分类是木制家具制作的重要环节,现有的木板分类算法仅从纹理特征方面进行分类,且运用的纹理分析方法与实际人眼分类标准具有一定的差异性,如局部二值模式法(LBP)、灰度共生矩阵法(GLCM)等方法。从人眼仿生角度出发,将视觉显著性融入基于木板表面综合特征的分类算法中,提出一种基于木板视觉显著性的分类方法。采用高精度线阵相机搭建机器视觉系统进行木板图像的实时采集,通过动态阈值分割、特征筛选、形态学处理等方法识别图像中的木板区域,提取基于视觉显著性的木板纹理区域占空比,木板纹理区域与背景区域的对比度等特征,构建多层神经网络进行分类识别。利用从木材加工厂实时采集的1 156张木板图片进行分类实验,实验证明基于视觉显著性输入特征的多层神经网络可以完成木板分类任务,且具有94.17%的分类准确率。     

基于卷积神经网络的数码仪表识别方法

为了在复杂多变的环境中实现对数码仪表正负号和小数点的实时识别,提出了一种基于卷积神经网络的数码仪表识别方法。先采用模板匹配方法对目标图像提取感兴趣区域,并对感兴趣区域进行分割,然后对分割的单字符区域采用卷积神经网络进行0~9数字、正负号的识别,再对分割的小数点区域采用MOSSE算法进行小数点识别,最后根据单字符、正负号和小数点的识别结果获取读数。实验结果表明,该方法能够在复杂的环境下准确且稳定地识别数码仪表读数。     

基于全卷积神经网络的焊缝识别方法

在机器人自动化焊接中，精准高效的焊缝识别是实现高质量焊接的关键。针对现有视觉检测方法效率低、精度差的问题，提出了一种基于全卷积神经网络的焊缝识别方法。该方法首先采集数据对全卷积神经网络进行训练，得到最佳的网络参数；然后采用训练好的全卷积神经网络和最佳网络参数对焊缝图片进行语义分割，将焊缝所在区域与背景进行分离；然后对分割出的焊缝区域，进行骨架提取，得到接近单像素宽度的焊缝；之后根据自定义的直线度参数对焊缝形状进行判定，确定该焊缝是否为直线，用最小二乘法进行直线或曲线拟合，得到最终的焊缝轨迹。实验结果表明，所提方法能够快速准确地识别出焊缝位置和形状，可以作为自动焊接机器人轨迹自主规划和控制的技术基础。     

基于BP神经网络的手写数字识别系统

针对多数机构面临的大规模报表数据录入问题,提出了一种基于BP神经网络的手写数字识别系统。对输入图像进行图像预处理、图像分割和特征提取,随后将提取的特征信息输入到已经训练好的BP神经网络进行分类识别。训练数据包含140幅大小归一的数字图片,其中100幅作为训练集,40幅作为验证集,并以10幅带有若干手写体数字的图片作为测试集进行识别分析。经Matlab仿真实验结果表明,该分类器具有较短的收敛时间和较为理想的识别精度,在实际工作中具有良好的应用价值。     

基于机器学习识别与标记分水岭分割的盲道图像定位

视觉导盲仪是一种旨在解决盲人出行困难的导盲设备,为了实现视觉导盲仪诱导盲人找到盲道并沿盲道行走,提出了一种基于机器学习识别与标记分水岭分割的盲道图像定位算法,通过离线训练与在线的识别、分割来定位盲道区域。首先对盲道图像进行视角变换的预处理,根据盲道的地面方程将变化的倾斜视角转换为固定的俯视视角,消除射影变换带来的失真;然后利用局部二进制模式描述子提取鸟瞰图的纹理特征,以自适应增强学习算法离线训练盲道识别分类器;进而利用分类器对鸟瞰图像进行在线识别,粗略确定盲道区域;最后将识别结果进行形态学处理后作为标记,利用标记分水岭算法得到精确分割的盲道区域并定位盲道中心线。在研制的视觉导盲仪上进行验证,结果表明盲道定位准确率达到了95.44%,速度平均每秒8帧,具有高准确率的同时达到实时性要求,为盲道的准确三维定位提供了必要条件。     

基于X射线图像和卷积神经网络的石油钢管焊缝缺陷检测与识别

研究了基于X射线图像和卷积神经网络(CNN)的石油钢管焊缝缺陷检测与识别问题。首先采用数字图像处理技术拟合提取出焊缝区域,验证了咬边缺陷的存在不影响焊缝边缘的提取;针对常用阈值分割方法不适于小面积区域缺陷分割的局限,采用基于排序点的聚类算法(OPTICS)对区域内任意形状大小的缺陷和噪声干扰点进行分割,然后对缺陷、噪声和无缺陷的正常图像进行提取并进行数据增强及尺寸归一化操作,从而完成焊缝图像的预处理以构建出样本图库。最后采用CNN与Softmax分类器相结合的算法,以缺陷和噪声为输入样本训练CNN并进行了实际应用实验,实验结果验证了方法的有效性。