面向小目标测量的通道注意力网络与系统设计

微器件广泛应用于电子工业。由于衍射效应，微器件的物理边缘与光学边缘不一致，这给检测和测量带来了挑战。为提高微目标检测与测量精度，本文将图像超分辨率重建与目标测量结合，提出了一种基于边缘增强的图像超分辨率重建算法并搭建了对应的测量系统。首先提出了一种新的图像超分辨率重建质量评价参数，证明了图像超分辨率重建提高目标测量精度的可行性。针对目标边缘，将通道注意力机制引入网络，增强了网络对图像边缘的重建能力。最后，设计并搭建了目标测量系统，并进行了实验。结果表明：在公开数据集上，本文算法能取得更高的峰值信噪比（PSNR）和结构相似性（SSIM）等客观指标值；在实际测量中，本文算法可将原有测量系统极限分辨率提高25.9%，目标测量精度平均提高51.6%。本文研究为工业生产中的微目标检测和测量提供了一个潜在的发展方向。     

基于Delaunay三角剖分的多相流射线层析成像

为提高多相流CT系统重建图像质量,提出基于Delaunay三角剖分的射线层析成像方法.根据模型构造点集,对管道截面进行多尺度Delaunay三角剖分,根据三角形重心在探测阵列上的投影到其最近探测阵列元的归一化距离,确定各剖分单元的投影系数,并采用不同的重建算法进行图像重建.仿真与实验结果表明,该方法可利用少量投影数据重建图像,改善了工业多相流检测中投影数据不完整造成的图像失真;与均匀剖分相比,多尺度剖分明显改进了图像精度和实时性.     

高功率激光装置中靶的进化式位姿检测

高功率激光装置中靶的定位精度直接影响激光打靶的成功率。提出一种基于立体建模的进化式微小靶标位姿检测方法,该方法抛弃已有的图像处理算法对单幅图像进行特征提取的过程,通过建立立体模型将多视角图像中的目标相关联,实现相互制约的立体匹配。在模型优化方面,模拟人眼的"扫视"与"注视"功能改进遗传算法,使模型优化能同时兼顾精度与速度,为实现快速、高精度的靶自动检测与定位提供技术基础。实验搭建了3-CCD视觉检测平台并通过视觉反馈控制对标靶进行定位调整,所得定位精度小于5μm,角度误差小于0.05°。实验结果满足激光打靶要求,可应用于实际工程中。     

基于改进的二值形态学人脸识别算法

针对人脸检测识别中存在的识别率低、图像易受光照、亮度等因素影响问题,提出了一种肤色检测算法与二值形态学处理算法相融合的人脸识别算法。首先对捕捉到的图像进行YCrCb模型检测减少图像中亮度的影响,运用HSV模型检测算法降低光照对图像的影响;然后将得到的检测图像转换为二值图像,进行二值形态学去噪处理;最后得到了人脸识别图像。实验结果表明,所提出的算法对于不复杂、较为复杂和复杂人脸图像的检测识别率分别达到了98.6%、93.3%和90%。     

基于改进YOLO算法的多目标铁谱磨粒智能识别

为提高铁谱磨粒中相似磨粒的识别率,降低小颗粒磨粒的漏检率,并确保检测速度的实时性,基于YOLO算法,提出了大尺度yolo层检测(yolov3_mod)和全尺度yolo层检测(yolov3_5l)两种改进模型。该改进模型通过添加空间金字塔池化模块、拓展yolo层尺度,来改善网络结构,提高了相似磨粒的识别率,降低了小颗粒磨粒的漏检率;通过融合卷积层与批量归一化(BN)层,减少了模型计算量,提高了模型检测速度。实验结果表明:与原始模型相比,yolov3_mod模型对相似磨粒的识别率提高了8%,总平均准确率提高了5%,yolov3_5l模型对相似磨粒的识别率提高了14%,总平均准确率提高了10%;2种改进模型的推理速度相比原始模型提高了8%,且磨粒的定位更加精确,基本实现了复杂背景下多目标磨粒的识别;yolov3_mod拥有较快的检测速度,yolov3_5l则有着更高的检测精度,可根据实际工况需求进行取舍。     

超静定结构的升降主轴受力变形分析

为了提高升降主轴的定位精度,来满足产品的制造精度,以包装机械环形工位中的升降主轴为研究对象,根据环形工位中的升降主轴结构特征,建立超静定梁的力学模型,对升降主轴进行受力和变形分析,确定影响升降主轴变形的主要因素。依照分析结果优化升降主轴结构,降低升降主轴的变形量,从而提高升降主轴的定位精度。应用有限元分析软件ANSYS Workbench对升降主轴进行分析,验证主轴模型的合理性。结果表明:理论计算与仿真分析结果吻合。优化后的升降主轴的变形量由3.218mm降到0.141mm,优化效果明显,能满足实际生产要求。     

基于改进SIFT特征提取的车标识别

为减少SIFT车标识别算法中检测极值点的冗余以及各种图像变化因素的不利影响,提出了基于边缘约束和全局结构化的改进SIFT算法。利用图像不变矩理论及图像边缘检测算法只对目标图像的边缘区域检测,剔除与车标识别区域无关的极值点;同时将特征点邻域划分为圆形并计算出同心圆内像素点最大曲率来构建全局SIFT组合特征向量,使SIFT描述子具有全局描述特性;并结合SVM模型作为车标图像特征向量的分类器进行特征分类、识别。仿真实验结果表明:改进的SIFT算法可以减少冗余极值点约25%~45%,提高了检测极值点的有效性;使车标平均识别率达到97%以上,改善了识别实时性。改进SIFT的车标识别方法与几种常用的图像特征提取算子相比较具有识别率高、识别速度快的优点。     

GPS双目摄像机标定及空间坐标重建

为减轻双目摄像机标定过程中对高精度靶标的依赖,实现摄像机参数的精确标定,并对空间坐标进行高精度重建,提出一种GPS双目摄像机标定及空间坐标重建方法,采用GPS代替2D或3D靶标进行双目摄像机标定。将GPS的位置在视场中任意移动,由被标摄像机拍摄多组含有GPS的图像,利用空间三维坐标与图像二维坐标间的映射关系,结合摄像机成像模型和双目摄像机标定原理,标定出双目摄像机参数,并对空间坐标进行精确重建。通过空间重建坐标与GPS实际测量值之间的相对距离误差,对重建精度进行检验。实验证明,该方法能够克服双目摄像机标定过程中对高精度靶标的依赖,空间重建坐标具有较高的精度,相对距离误差从1.56%减小到0.52%。     

零部件光学影像精准定位的轻量化深度学习网络

光学影像精准定位是提高工业生产效率和质量的重要环节。传统图像处理定位方法由于光照、噪声等环境因素的影响，在复杂场景下定位精度低、易受干扰；而经典深度学习网络虽然在自然场景目标检测、工业安检、抓取、缺陷检测等得到了广泛应用，但是其海量数据的训练需求、复杂系统的深度学习大模型、检测框的冗余及不精确等问题，导致它不能直接应用于工业零部件像素级精准定位。针对以上问题，构建了一种零部件光学影像像素级精准定位的轻量化深度学习网络方法。网络总体选用Encoder-Decoder架构，Encoder使用三级bottleneck级联，在降低特征提取参变量的同时充分提升了网络的非线性；Encoder与Decoder对应特征层实施融合拼接，促使Encoder在上采样卷积后可以获得更多的高分辨率信息，进而更完备地重建出原始图像细节信息；最后，利用加权的Hausdorff距离构建了Decoder输出层与定位坐标点的关系。实验结果表明：轻量化深度学习定位网络模型参数为57.4 kB，定位精度小于等于5 pixel的识别率大于等于99.5%，基本满足工业零部件定位精度高、准确率高和抗干扰能力强等要求。     

基于LabVIEW和Mask R-CNN的柱塞式制动主缸内槽表面缺陷检测

为了解决传统图像处理方法对于铸铝材料表面缺陷检测通用性不高、准确度低等问题,研究了一种基于Mask R-CNN神经网络的缺陷检测系统。首先,采用自主研发的缺陷检测装置采集柱塞式制动主缸内槽表面图像,对其进行预处理,制作成Microsoft COCO格式数据集;其次,搭建适用于该数据集的Mask R-CNN神经网络结构,并绘制训练过程损失函数与平均精度均值曲线;最后,将检测结果与基于SVM和Faster R-CNN模型的检测结果进行比较,统计了3种神经网络模型的单图检测平均时间和识别率。试验结果表明,在相同样本条件下,该方法的识别率比另外2种方法高,达到了93.6%,能够更精确地检测柱塞式制动主缸内槽的表面缺陷。     

基于多模态特征融合的自主驾驶车辆低辨识目标检测方法#br#

针对自主驾驶车辆在真实驾驶环境下对低辨识目标的识别问题,提出了基于多模态特征融合的目标检测方法。基于Faster R-CNN算法设计多模态深度卷积神经网络,融合彩色图像、偏振图像、红外图像特征,提高对低辨识目标的检测性能;开发多模态（3种）图像低辨识度目标实时检测系统,探索多模态图像特征融合在自动驾驶智能感知系统中的应用。建立了人工标注过的多模态（3种）图像低辨识目标数据集,对深度学习神经网络进行训练,优化内部参数,使得该系统适用于复杂环境下对行人、车辆目标的检测和识别。实验结果表明,相对于传统的单模态目标检测算法,基于多模态特征融合的深度卷积神经网络对复杂环境下的低辨识目标具有更好的检测和识别性能。     

一种基于同心圆的环形编码标志设计与检测

在视觉测量领域中,当被测目标缺少检测特征或目标背景较为复杂时,通常使用编码标志提高特征识别效率和定位精度。提出一种改进的环形编码标志以及相应的检测识别算法。在传统圆形编码标志的基础上采用同心圆约束有效提高识别效率与稳定性,采用具有预设编码字典的查询纠错算法进一步提高解码稳定性,基于交比不变性原理实现了圆心的定位修正。实验结果表明,环形编码标志在不同角度、距离以及复杂背景环境下均具有良好的检测识别效果。     

基于形态学可变结构元素的遥感图像边缘检测方法（英文）

利用单一结构元素对遥感图像进行形态学边缘检测时,可能会出现边缘不完整、抑制噪声能力差等问题。为此,提出了一种基于可变结构元素的遥感图像形态学边缘检测方法。首先,依据遥感图像目标的多样性,构造不同尺度和包含多方位的结构元素,以此可变结构元素为基础,构建相应的形态学运算,对遥感图像进行Top-hat和Bottom-hat变换,抑制目标背景中的噪声,突出图像目标边缘;然后利用构造的可变结构元素进行形态学边缘检测,获得多幅具有不同尺度和方位边缘特征的图像;最后对各个方向边缘进行加权求和得到图像边缘,运用最小二乘法对其边缘进行拟合,从而精确地定位出目标边缘轮廓。实验结果表明,本文方法能够检测到完整的遥感图像边缘信息,边缘检测精度较高,抗噪性能优越,相比经典边缘检测算子和单一结构元素的形态学边缘检测方法,图像边缘检测效果较好,检测精度达到95%。     

基于改进多尺度分形特征的红外图像弱小目标检测

为提高红外图像弱小目标检测的准确率和实时性,在分析用于红外图像增强的分形参数K相关的多尺度分形特征(MFFK)基础上,提出了一种基于改进多尺度分形特征(IMFFK)的红外图像弱小目标检测算法。首先,将基于地毯覆盖法的分形维数计算公式代入MFFK计算公式,提出了一种改进多尺度分形特征(IMFFK)用于图像增强。其次,对IMFFK特征计算进行简化,采用自适应阈值分割得到感兴趣目标区域,提出了一种具有较高计算效率的红外图像弱小目标检测算法。最后,通过仿真图像分析了主要参数对图像增强和算法耗时的影响,采用红外真实图像进行了算法检测性能测试,并与当前基于局部对比度测度的目标检测算法进行了对比。实验结果表明,提出的算法虽然在一些检测场景具有较多虚警,但能同时适用于弱小目标和较大目标检测,且无论目标为亮目标或暗目标。提出算法对于低分辨率红外图像(320×240)检测接近30 frame/s。提出算法具有较强的适用性,能够检测出红外图像中具有较高局部对比度的目标。     

采用视觉特征整合的红外弱小目标检测

针对红外光学系统在复杂背景下的弱小目标检测问题,建立了基于特征整合的信息处理模型,提出了采用视觉特征整合的弱小目标检测方法。该方法首先利用视网膜神经节细胞感受野的数学模型DOG(Different-of-Gaussian)对红外图像进行初级信息处理,初步检测出弱小目标。而后,分为空域和频域两个通道进行特征提取。在空域通道,利用图像信息构造二阶微分Hessian矩阵,通过计算其直迹与行列式进行局部极值的判定,提取出含有弱小目标的结构分量特征;在频域通道,利用小波对图像频域进行二级分解,提取出含有弱小目标的高频分量特征。最后,将空域通道与频域通道的分量特征整合,提取出复杂背景下的弱小目标。实验结果表明:当虚警率为10-3时,该方法对弱小目标的平均检测概率为95.17%。基本满足红外弱小目标检测方法的稳定可靠、精度高等要求。     

基于多尺度多特征视觉显著性的海面舰船检测

为了精确地检测到舰船目标,提出了一种基于多特征、多尺度视觉显著性的海面舰船目标检测方法。该方法首先利用多尺度自适应的顶帽算法抑制云层、油污的干扰,然后提取双颜色空间特征以及边缘特征构成双四元数图像进行舰船显著性检测。由于充分利用了双四元数图像,故可对多个特征尺度进行处理,并保证不同尺度特征之间关联性。该方法还利用人眼对不同用大小的图像关注目标不同的特点对图像进行上下采样以避免漏检和检测重叠。在得到显著图后利用自适应图像分割(OTSU)算法确定舰船所在的区域,并在原图上标定、提取舰船目标。在多种海面情况下进行了实验分析,结果表明:该算法可以排除多种干扰,精确地检测到舰船目标,真正率达97.73%,虚警率低至3.37%,相较于他频域显著性检测算法在舰船检测方面有明显的优势。     

一种远距离行人小目标检测方法

远距离行人小目标成像像素少、缺乏纹理信息,深度卷积神经网络难以提取小目标细粒度特征,难以准确识别与检测。本文提出一种远距离行人小目标检测方法。首先,在YOLOv4的基础上引入浅层特征改进特征金字塔,提取行人小目标细粒度特征,提出引力模型特征自适应融合方法,增加多层次语义信息之间的关联度,防止小目标特征信息流失。然后,采用增强型超分辨率生成对抗网络增加行人小目标特征数量,提高行人小目标检测准确率。最后,选取图像像素中占比范围为0.004%～0.026%的行人小目标建立试验数据集,通过与Faster RCNN、ION、YOLOv4对比实验验证。结果表明,本文方法mAP_0.5提高了25.2%、26.3%、11.9%,FPS达到24,研究成果在远距离安防监测监控领域具有重要应用价值。     

基于非极大值抑制的圆目标亚像素中心定位

圆形目标在基于图像的测量系统中应用广泛,针对圆目标中心的高定位精度和快速提取的要求,提出了一种基于非极大值抑制的亚像素中心定位方法.该方法利用Sobel算子进行边缘检测,通过改进非极大值抑制方法获取连续细化的边缘,实现了像素级边缘定位,采用Zernike正交矩对边缘点进行亚像素级定位,并用最小二乘法进行二次拟合来获取精确的标志点的中心坐标.仿真图像和实测图像的实验结果验证了该方法的有效性和准确性,其定位精度可以达到0.02像素,通过测试算法的运行时间,证明该算法具有很好的实时性.     

基于快速视网膜局部特征的遥感图像目标识别

针对目前航天遥感图像信息复杂、数据量大,导致目标识别中特征检测准确度低、特征匹配识别时间长的问题,提出了一种基于差分加速分割角点检测算法(AGAST-Difference)和快速视网膜关键点描述算法(FREAK)相结合的目标识别方法。在特征检测阶段,建立AGAST-Difference特征检测算子,将尺度空间理论融合到加速分割角点检测算法(AGAST)中,生成具有强仿射不变性的特征点;再利用简化的FREAK采样模型描述局部特征,并构建二进制特征向量,通过计算向量间的汉明距离,完成特征匹配及目标的快速识别;最后选用美国Quick Bird卫星的遥感图片进行验证,实验结果表明,所提特征检测算子仿射不变性能较强,不仅提高了检测的可重复率,而且特征描述符区分性较强,平均匹配正确率提高了9.91%,识别用时仅为35 ms。该方法识别效率高、速度快,能够满足遥感图像实时识别的需求。