基于深度学习的计算机视觉研究新进展

近年来,深度学习在计算机视觉各个领域中的应用成效显著,新的深度学习方法和深度神经网络模型不断涌现,算法性能被不断刷新.本文着眼于2016年以来的一些典型网络和模型,对基于深度学习的计算机视觉研究新进展进行综述.首先总结了针对图像分类的主流深度神经网络模型,包括标准模型及轻量化模型等;然后总结了针对不同计算机视觉领域的主...     

基于计算机视觉的板类零件曲面测量系统

利用计算机视觉原理，建立了板类零件曲面测量系统，该系统首先根据人眼感知事物原理，采用神经网络来拟合图像坐标与空间坐标的映射关系；然后以光栅投影条纹为特征，用小波变换提取条纹边缘，在此基础上，提出搜索式无监督聚类方法，使带状离散边缘点按边缘实际分布情况分为不同组群，并将各组边缘点分别拟合成连续B样条曲线，同时结合视觉几何不变性，实现了亚象素级的立体精匹配；接着，运用小波分解来讲接图象，融合数据，并由图象坐标与空间坐标的映射关系，求解曲面上点的空间坐标，测量精度可控制在0．5mm/m以内。     

计算机视觉下的果实目标检测算法综述

基于计算机视觉的果实目标检测识别是目标检测、计算机视觉、农业机器人等多学科的重要交叉研究课题,在智慧农业、农业现代化、自动采摘机器人等领域,具有重要的理论研究意义和实际应用价值。随着深度学习在图像处理领域中广泛应用并取得良好效果,计算机视觉技术结合深度学习方法的果实目标检测识别算法逐渐成为主流。本文介绍基于计算机视觉的果实目标检测识别的任务、难点和发展现状,以及2类基于深度学习方法的果实目标检测识别算法,最后介绍用于算法模型训练学习的公开数据集与评价模型性能的评价指标,且对当前果实目标检测识别存在的问题和未来可能的发展方向进行讨论。     

计算机视觉下的车辆目标检测算法综述

车辆目标检测是基于计算机视觉的目标检测领域的一个重要应用领域,近年来随着深度学习在图像分类方面取得的巨大进展,机器视觉技术结合深度学习方法的车辆目标检测算法逐渐成为该领域的研究重点和热点。介绍了基于机器视觉的车辆目标检测的任务、难点与发展现状,以及深度学习方法中几种具有代表性的卷积神经网络模型,通过这些网络模型衍生出的two stage、one stage车辆目标检测算法和用于模型训练的相关数据集与检测效果评价标准,对其存在的问题及未来可能的发展方向进行了讨论。     

协同视觉显著性检测方法研究进展综述

协同视觉显著性检测是基于人类视觉注意力机制,旨在捕获一组相关图像中的公共显著目标,在协同分割和目标检测等领域广泛应用。对现有的协同显著性检测方法进行归纳总结和实验评估。根据特征形式的差异将所有方法分为两大类：一类是采用浅层特征的传统方法,另一类是采用深层特征的基于深度学习方法。根据获取组间显著性和模型构建策略的不同,对这两大类方法进行相关介绍和理论分析。将流行方法在领域内两个公开数据集进行了主观和定量的实验评估。对现有方法进行定性总结,并分析了现阶段研究中存在的问题,同时对未来工作进行展望。     

5G在物流仓储行业的融合应用研究

物流业是支撑国民经济发展的基础性、战略性、先导性产业。仓储作为物流行业的关键环节,面临碎片化仓储的利用率低、高标仓占比少、分拣准确率低、多仓管理难等"效率泥潭",而提升仓储效率瓶颈的关键是加强数字物流基础设施建设。作为新型数字化基础设施的关键技术之一,5G在提供低延时、高带宽、海量接入的网络能力基础上,可以利用网络切片、边缘计算和端边云协同等先进技术,促进计算和存储资源在端边云设施上的高效分配,从而以更加灵活、高效、快速迭代、可演进的模式推动物流仓储的智慧化升级。梳理了基于5G的物流智能仓储的应用场景,论述了5G技术助力物流仓储智能升级中发挥的作用和价值。     

基于计算机视觉的运动目标分析

在计算机里面,所谓的计算机视觉的运动目标分析,就是对视频里面的运动目标进行跟踪检测,并对目标进行研究分析,而检测与跟踪是对分析目标和理解目标行为的基础,因此需要重视其中的目标.本文通过计算机视觉分析了跟踪与检测目标等问题,从而为检测和和跟踪视觉运动目标的算法做出重大意义.     

基于计算机视觉的客机舱门识别与定位技术研究

登机桥是机场将航站楼与飞机连接的活动通道,登机桥与客机舱门对接系统的智能化变得尤为重要;对于基于计算机视觉的客机舱门识别与定位系统,其关键组成部分是目标检测系统;传统的目标检测算法通过提取传统手工特征进行学习,不能达到鲁棒性好、速度快、准确性高的检测要求;基于迁移学习在深度学习上的应用,利用SSD(Single Shot Multibox Detector)算法,以轻量化的MobileNet作为特征提取网络,实现了鲁棒性好、准确度高的目标检测模型,完成对客机舱门的识别与定位,对不同样式的舱门、部分遮挡、背景变化、光照变化、运动模糊具有鲁棒性,能准确完成识别功能,完成对舱门在当前视觉图像中的相对位置的解算。     

基于计算机视觉的行人检测技术综述

行人检测是使用计算机视觉技术来判断图像或序列当中有没有行人经过,并同时对行人进行定位的技术,这项技术是无人驾驶领域中至关重要的一个研究方向.受行人个体差异、尺度姿态变化大、鲁棒性要求高等影响,使其具有挑战性,并得到了广泛关注.通过对建立在电脑视觉中的行人检测提箱进行目标分辨和分割的研究情况进行梳理和总结.首先,从阈值法...     

基于深度学习的撒砂管高度测量算法研究

机车在日常运行过程中,受到机车本身和外界环境因素的影响,撒砂管的高度可能会产生变化,严重时会导致车轮打滑事故的发生,造成安全问题。为此,文章提出了一种基于深度学习的撒砂管高度测量算法。首先,其通过基于深度学习的YOLOv3-tiny算法和DeepLabv3+模型,实现对2D图像中撒砂管的目标检测和钢轨平面的拟合分割。其次,对于测量环境中的噪声点云,其通过深度值滤波和聚类分割等方法实现点云滤波;对于撒砂管上影响高度测量的异物,其针对性地设计了边缘提取及伪边缘剔除,以消除异物对测量精度的影响。最后,其通过RANSAC算法对钢轨平面进行平面拟合,实现对撒砂管高度的3D高精度测量。文中分别采用所提算法和10分度游标卡尺对不同位置、形态及光照强度的撒砂管进行高度测量实验,结果显示,采用该算法,撒砂管高度的测量误差基本可以控制在±1 mm以内,平均测量精度可达98.74%,这表明该算法具备一定的鲁棒性。     

基于DE-YOLO的室内人员检测方法

目标检测的一个重要应用场景是对室内流动人员的检测与定位,为了降低模型的冗余度和提高检测的精确度,因此本文提出一种基于DE-YOLO的室内人员检测方法.通过使用K-means算法对数据集进行聚类,并设计出这种DE-YOLO深度卷积神经网络结构.通过DE-YOLO网络结构中的密集型连接,实现模型大小的压缩和特征信息的复用,最后对提取到的特征进行目标检测.在VOC2012数据集上进行实验表明,新改进的深度卷积网络应用性能有较大的提升.     

基于计算机视觉的机械零件检测系统设计

针对一种微小机械零件图像测量系统的实现,提出了设计方案并对其中的关键技术进行了介绍;在硬件选型中,对工业摄像机及镜头、光源和照明系统、以及运动控制部分等核心硬件的选型进行了介绍;在软件编写过程中,对本系统中上位机驱动编写、摄像机自动聚焦、摄像机标定及目标识别和检测等关键技术做了介绍;最后,对本系统进行了实验验证,验证结果表明,该系统设计方案可以满足微小零件参数测量实际应用需要,且系统重复测量精度最高可达到0.1像素.     

基于深度学习的视觉多目标跟踪算法综述

视觉多目标跟踪是计算机视觉领域的热点问题,然而,场景中目标数量的不确定、目标之间的相互遮挡、目标特征区分度不高等多种难题导致了视觉多目标跟踪现实应用进展缓慢.近年来,随着视觉智能处理研究的不断深入,涌现出多种多样的深度学习类视觉多目标跟踪算法.在分析了视觉多目标跟踪面临的挑战和难点基础上,将算法分为基于检测跟踪(Det...     

基于FANUC机器人的工具坐标校准

阐述了在FANUC机器人使用环境下,进行工具校准的一种实现方法,以及提出了满足课题要求的软硬件解决方案。经过现场实际运行,满足了生产实际需要,该方案是一种方便高效的机器人工具坐标校准方案。     

基于YOLOv5的工具表面缺陷检测系统

在工业生产过程中,产品质量极易受到现有生产技术等客观条件的影响,因此需要对产品进行质量检验,其中,表面缺陷是产品质量合格的重要指标之一。现如今在表面缺陷检测方面的常见技术有渗透探伤、超声波检测、机器视觉等。利用基于深度学习的YOLOv5算法通过机器视觉识别工具表面不同缺陷种类,为工具产品的质量检验提供便利。     

深度卷积神经网络在计算机视觉中的应用研究综述

随着大数据时代的到来,含更多 隐含层的深度卷积神经网络(Convolutional neural networks, CNNs)具有更复杂的网络结构,与传统机器学习方法相比具有更强大的特征学习和特征表达能力。使用深度学习算法训练的卷积神经网络模型自提出以来在计算机视觉领域的多个大规模识别任务上取得了令人瞩目的 成绩。本文首先简要介绍深度学习和卷积神经网络的兴起与展,概述卷积神经网络的基本模型结构、卷积特征提取和池化操作。然后综述了基于深度学习的卷积神经网络模型在图像分类、物体检测、姿态估计、图像分割和人脸识别等多个计算机视觉应用领域中的研究现状 和发展趋势,主要从典型的网络结构的构建、训练方法和性能表现3个方面进行介绍。最后对目前研究中存在的一些问题进行简要的总结和讨论,并展望未来发展的新方向。     

基于机器视觉的目标定位与机器人规划系统研究

为完成机械臂在非特定复杂背景环境下的自主抓取,通过设计RGB-D相机对场景内的物体进行实时检测,采用基于深度学习的目标检测定位方法,并对相机-机械臂-目标物体的三维标定模型进行研究。将物体的三维坐标信息通过ROS话题机制发送给机械臂,并通过moveIT编程规划抓取规划。 通过设计一套基于ROS的视觉检测和机械臂抓取系统,将计算机视觉检测技术以及机械臂运动规划抓取应用在机器人操作系统ROS平台上。实验结果表明,该系统可以实时高效地操作机器人来完成指定的控制作业,提高了系统对环境的适应能力,该系统具有抓取准确、物体识别准确率高的特点,解决了传统机械臂操控中的不足。