基于语义生成与语义分割的机织物缺陷检测方法

针对织物疵点的语义分割任务中因数据集规模限制，而导致网络出现的严重过拟合问题，课题组提出了针对织物的语义生成网络。语义生成网络使用随机产生的语义标签生成对应的织物缺陷图像，相较于传统数据增强方法，语义生成可生成全新图像，更贴近实际缺陷分布，并且可通过判别器对生成图像进行筛选；课题组将语义生成的图像作为语义分割网络的输入，相应的随机语义标签作为目标，免去标注过程，扩充语义分割网络的训练样本，提升网络性能；对于语义分割网络，提出尺寸自适应Dice损失函数，解决样本不平衡问题，提升网络对小尺寸的检测能力。实验结果表明：尺寸自适应Dice损失函数使得模型精度提高11.1%，使用BEGAN扩充的数据集相较于传统方法扩充的数据集训练得到的模型精度提高7.4%。     

改进Mask R-CNN算法在低光道路环境下行人检测研究

针对目标检测算法在低光条件下检测性能下降的问题,以Mask R-CNN目标检测算法为基础,将提出的图像融合模块(MSRCR-IF)引入该目标检测网络中,同时为了更好地利用特征信息,改进了特征金字塔网络,并通过调整区域提交网络以及去除实例分割分支的方式,减少检测目标所花费的时间。实验结果显示:在COCO2017数据集下提出的算法优于其他主流算法,同时在自行构建的低光道路行人数据集下达到了75.05%的平均检测精度,比改进前提高了4.66%。为了验证改进算法的有效性,进行了实车数据测试,结果显示:改进方法能有效提高低光条件下行人检测效果。     

基于DCT的模糊面部超分辨率性别识别模型研究

为解决智能监控领域中存在的基于人脸图像的性别识别准确率不高的问题,本研究构建了DCT-FSR-CNN模型。该模型以相邻两帧面部图像作为超分辨率的双输入,通过离散余弦变换和局部超分辨率技术对图像进行融合处理以提高图像整体分辨率;对Alexnet网络进行优化改进,通过融合网络中间层进行特征值优化以提高分类器的准确率。同时,将该模型与其他4种性别识别模型进行实验对比,在现实的模糊面部图像数据集上的实验结果准确率和运行速度均有明显提升,证明了该模型的应用性和有效性。     

基于改进Yolo v5的织物缺陷检测方法

针对纺织品表面缺陷检测算法速度低、泛化性能差及鲁棒性弱等问题，课题组提出了一种基于改进Yolo v5的织物表面缺陷检测方法。在Yolo v5骨干网络的基础上增加了卷积注意力模块，增强目标检测网络对特征图中重要信息提取并弱化无关特征；针对网络特征融合阶段特征尺度不一致造成的冲突问题，引入自适应空间特征融合的方法；在训练过程中使用迁移学习加快训练速度。实验结果表明：与未改进的Yolo v5算法相比，所提出的检测框架能够有效提高网络精度达98.8%，检测速度达83 帧/s。该检测方法能满足实际工业要求。     

基于小目标检测的YOLO算法研究综述

小目标检测是目标检测中的一个难点，小目标检测需要识别图片中像素少，分辨率、特征信息少的目标的位置和种类，目前应用成熟的中、大目标检测使用的算法在检测小目标时效果不理想。所以，提高小目标检测的能力是当前目标检测领域的难题，也是重要的研究方向。本文先对小目标检测的定义和YOLO算法的发展优化进行介绍，介绍分析YOLO算法在实际场景应用对小目标检测的应用优化，并对优化方案进行汇总概括，最后对未来YOLO算法在小目标识别中的发展趋势进行预测。     

基于多方向光源的色纱织物密度图像检测

针对色纱织物存在不同颜色,密度检测具有较大难度的问题,课题组提出了一种基于多方向光源的色纱织物密度图像检测算法。利用织物的3D表面结构来弱化色纱织物的色彩信号,使用正方形分布的4个定向光源在特定的照射角度下对色纱织物进行照明及采样,再把4个图像进行融合,使融合后的图像集成了每张图像中较清晰的部分。对于局部加权回归算法中宽度系数不能因为织物改变而自适应的问题,提出了自适应算法,让不同织物具有适合的宽度系数去平滑其投影曲线。实验结果表明提出的算法准确率可达99.17%,适合在色纱织物密度检测方面进行推广。     

基于SURF算法的数码印花缺陷检测系统

针对数码印花生产过程中织物上出现的白丝、斑点以及褶皱等表面缺陷问题,课题组设计了基于加速鲁棒特征算法的印花织物表面缺陷检测系统。主要通过加速稳健特征算法（speeded up robust features,SURF）来进行图像配准;采用双向唯一性匹配法减少误配点,实现图像精准配准,并通过差分算法来提取缺陷信息。实验采用多幅图像对改进SURF算法的性能进行了验证。试验结果表明：新系统对印花织物表面缺陷的检测精度达到98%,达到了实际应用要求。     

基于线过程的POCS超分辨图像重构算法

传统的凸集投影(POCS)超分辨重构算法易使图像产生边缘振荡效应问题,在研究了边缘振荡效应的成因后,提出一种基于线过程模型的POCS算法来对低分辨图像序列进行超分辨图像重构.该算法采用线过程模型检测出超分辨初始估计图像的4个方向的边缘,在传统POCS的投影过程中增加了对图像的平滑处理,实现了低分辨图像序列超分辨重建的对比实验,实验结果表明图像边缘振荡效应能得到明显改善.     

基于改进型SSD算法的目标车辆检测研究

车辆目标检测中,原始SSD(Single Shot Multi Box Detector)算法区域候选框尺度分布与特定的车辆数据集存在着偏差、冗余,导致检测准确度低,且相互重叠的目标检测较弱。重新设计了SSD算法的区域候选框,使其更符合特定数据集的分布,并在SSD算法的损失函数基础上增加排斥损失提高对重叠目标检测。实验对比原始SSD网络和改进型SSD网络。结果表明:在检测的类别置信度为0. 6条件下,改进型SSD网络检测的mAP值为91. 79%,重叠目标检测的mAP为86. 36%,相比于原始SSD算法分别提高了4. 3%和3%。     

基于帧差法与SURF匹配的异纤机棉流速度测量

针对异纤机输棉通道内棉流速度的不确定性导致其打击精度无法提高的问题，课题组提出了一种基于帧间差分法和SURF特征匹配算法相结合的混合棉速测量方法。首先，对采集到的棉团图像进行预处理，采用帧间差分法提取棉团边缘信息，得到分离的二值化棉花图像；其次，基于形态学操作对二值化图像进行腐蚀、膨胀运算，得到完整的待检测棉团信息；最后，通过SURF特征点匹配算法对2幅图像中的特征点进行匹配，计算相邻帧间同名点之间的像素距离，将像素距离转换为实际距离后，计算得到棉团运动速度。研究结果表明：与直接匹配相比，特征点数量减少了67.8%，无效匹配点对减少了97.47%，算法计算所得速度与直接计算所得速度误差低于4%。课题组提出的算法可以满足实际工业应用要求。