基于改进YOLOv5的陶瓷环缺陷检测算法

针对陶瓷环缺陷信息微弱且特征各异、种类繁多导致特征难以提取的问题，课题组提出了一种基于改进YOLOv5的陶瓷环缺陷检测算法。首先，在YOLOv5中的Backbone网络添加CBAM注意力机制模块，通过学习的方式在空间和通道上对特征图像进行权重分配，有效地提升模型对于不同类型缺陷通道特征和空间特征信息的提取能力；然后，采用CARAFE算子替换原YOLOv5中的最近邻上采样算子，该模块基于输入特征自适应生成上采样内核，有效的增加模型的感受域；最后，添加一个新的特征融合层，提取较低的空间特征并将其与深层的特征进行融合生成新的特征图，提升模型对小目标缺陷的检测能力。实验结果表明课题组提出的陶瓷环缺陷检测算法检测所有缺陷种类平均精度均值可以达到90.7%，能够实现陶瓷环缺陷的检测。     

基于AOD-Net和SSD的雾天车辆和行人检测

为了提高智能汽车在恶劣天气下的环境感知能力,提出一种针对雾天环境下车辆和行人的检测方法。将AOD-Net去雾算法与SSD目标检测算法相结合,实现了城市交通雾天环境下的车辆和行人检测。利用去雾处理后的雾天图片和原始带雾图片分别进行目标检测模型训练,并在不同雾浓度等级的交通环境下进行车辆和行人检测,结果显示:AOD-Net与SSD网络相结合得到的检测mAP值可达75.8%,比SSD算法的m AP值高4.1%,表明AOD-Net与SSD网络相结合的算法能更加有效地检测带雾图片中的车辆和行人。     

应用改进Canny法检测工业零件含噪图像边缘

针对工业零件含噪图像边缘检测,根据Canny算法原理,提出了一些改进策略,形成了一种矩形透镜最大梯度模边缘检测算法。采用中值滤波完成图像平滑,有效抑制了图像噪声;采用5×5邻域一阶偏导有限差分计算图像的梯度幅值,提高了边缘定位的精度;采用最大类间方差法（OTSU）求解了最优区域分割阈值,实现了边缘的自动检测。以磁环和极片工业零件图像边缘检测为例进行了实验,结果表明,该算法具有较好的去噪和边缘检测效果。     

在人脸图像中确定嘴巴位置的方法

利用迭代式阈值选择算法在人脸的下半区域进行阈值化处理,无需人工干预就可得到嘴巴鼻子等区域,且很好地改进了传统的二值化方法所造成的嘴部轮廓不清晰、连通性不好等缺陷;用腐蚀膨胀算法去掉较小的噪声点,用最小外接矩形近似表示各个连通区域的形状,根据嘴巴形状大小的先验知识确定嘴巴所在的连通区域;用嘴巴连通区域的质心表示嘴巴中心,利用Harris角点检测算法在原灰度图像的嘴巴区域中找到两个嘴角。实验结果表明,本文算法具有较快的速度和较高的精度。     

基于SUSAN算法和9／7提升小波图像去噪融合

为了对含噪模糊图像进行有效的去噪增强,并考虑到实时性的要求,本文提出了一种新的基于SUSAN算法和9／7提升小波图像去噪融合方法。首先,对含噪模糊图像进行SUSAN算法处理;同时,对含噪模糊图像利用9／7提升小波进行通用阈值去噪;最后,在对去噪后的图像进行镜像对称延拓处理并与经SUSAN算法处理后的图像进行有效的融合。仿真实验结果表明,该方法不但能够大大提高图像的信噪比,而且能有效提高图像的清晰度。     

一种基于分区均值的噪声图像优化检测算法

在对图像边缘检测算法原理分析的基础上,结合分区均值滤波算法和改进的Canny算法的特点,提出一种新的噪声图像边缘检测算法.首先将5×5窗口内的噪声点进行剔除,计算图像平均梯度值,进而运用改进的Canny算法,提取目标图像的边缘特征.验证表明,该算法对不同强度的高斯噪声图像具有很好的抑制作用,且对噪声图像检测效果优于经典图像边缘检测算法.     

Lab色彩空间的Retinex轮对踏面图像增强算法

针对货车轮对踏面检测中,由于低照度和雾霾环境产生的图像清晰度差、色彩失真问题,提出了一种基于Lab色彩空间的改进Retinex图像增强算法。该算法将RGB空间图像先转换为Lab色彩空间,然后保持图像色度分量a、b不变,仅对亮度分量L进行多尺度Retinex变换并根据L通道反射分量对a、b通道图像自适应调整,同时在亮度分量Retinex变换过程中将空间域高斯函数与图像的卷积运算转换为窗口无关快速均值滤波(FMF)算法处理,最后将Lab模型转换为RGB色彩空间,使增强后的图像颜色得到保持。实验结果表明,将改进算法应用于货车轮对踏面图像增强处理中,提高了图像色彩的保真度,增强了图像处理速度,为后续踏面图像检测分析打下了基础。     

基于SURF和FLANN算法的变电所仪表定位与读数识别

为了实现对变电所指针仪表的自动定位与读数识别,建立了自动图像识别系统,并对采用的SURF、FLANN、累计概率霍夫变换等算法进行研究。首先针对基本SURF算法在目标设备检测中的精度问题,提出了SURF联合FLANN的交叉验证算法。接着,利用透视变换选定目标区域。最后利用LOG变换对目标区域图像进行增强并利用累计概率霍夫变换对仪表指针进行检测。实验结果表明:角度识别检测误差范围小于3%。在保证运算速度的基础上提高了特征匹配精度、指针识别的精度与鲁棒性。     

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FPGA的平板式数粒机检测系统

针对目前国内药品检测数粒机大多是多通道数粒机,存在稳定性差、检测精度低等缺陷,课题组提出了基于FPGA的平板式数粒机检测系统。采用现场可编程门阵列（FPGA）作为控制系统的核心,对面阵图像传感器进行参数配置、图像数据采集,并对原始图像进行增强预处理。再由FPGA运用Canny算法获取图像采集单元的药粒目标轮廓信息,运用质心法获取质心位置坐标,采用检测线目标位置预测计数方法实现药品的高速在线检测计数。实验结果表明,基于FPGA的面阵图像传感器数粒机系统可以实现高速度、高精度的在线计数。     

一种改进YOLOv3的绝缘子检测方法

针对无人机巡检图像中绝缘子识别精度不高的问题,提出了一种基于YOLOv3的目标检测方法。该方法通过将YOLOv3主干网络16倍下采样单元中原始卷积层替换成扩张率为2的空洞卷积层,增大了卷积层感受野,卷积网络在保证分辨率的同时融合了更多的目标信息,有效提高了检测网络的识别精度。此外,考虑到输电线路中绝缘子具有细长型特点,方法对k-means聚类算法中距离度量公式也进行相应改进,聚类出更适合绝缘子特征的anchor框尺寸。实验结果表明:在保证实时性的前提下,改进后的YOLOv3网络结构与经典的YOLOv3网络结构相比较,其目标检测召回率从80.3%提高到89.1%,识别精度从83.9%提高到91.8%,可为后续的绝缘子故障识别提供技术支持。     

基于YOLO-GT网络的零售商品目标检测方法

提出改进的YOLO-GT深度学习网络,实现基于嵌入式平台的零售商品数据集RPC的图像目标检测。YOLO-GT网络以YOLOv3-Tiny网络为基础,采用线性扩展优化用于特征提取的卷积层,并将深度学习网络浅层信息与深层信息融合使得网络成为三尺度预测网络,提高网络对小目标商品的识别能力。YOLO-GT采用Mish函数优化了网络激活函数,并重新利用FCM聚类算法生成多个新的先验框。利用RPC零售商品数据集在嵌入式平台Jetson nano核心板上实验,YOLO-GT网络对于每张图片的平均检测速度为342.67 ms/张,平均检测准确率(m AP)为97.21%,与YOLOv3-Tiny相比,检测速度提升了57.81%,m AP提升了1.84%,并降低了小目标漏检率,能够满足使用要求。     

雾环境下的船舶目标检测研究

针对船舶在雾环境中因能见度不良易发生碰撞、船舶识别困难和检测精准度较低等问题：首先构建出雾环境下的船舶目标检测数据集;接着在YOLOv5基础上进行改进,在原网络结构基础上,为使深度可分离卷积更接近可分离卷积,使用GSConv模块替换Head部分CBS模块,以提高模型精准度,并引入Slim-Neck范式,进一步提高模型平均精准度,降低模型的计算量。同时,采用多项式损失函数替换原二元交叉熵损失函数,以提高模型的精准度,并引入SIoU Loss消除真实框与预测框方向问题的缺陷,以提高训练速度和推理准确性。实验结果表明,模型在mAP_0.5指标上达到95.7%,相较于基础YOLOv5模型,改进后的船舶目标检测模型mAP_0.5提高0.9%、mAP_0.95提高0.9%,同时FLOPs也降低2.1G。这一结果表明,雾环境下的船舶目标检测模型具有更优的精准度和更轻量的模型结构,在提高雾环境下船舶检测的精准度和效率方面具有很好的应用前景。     

基于差分和肤色图像的人脸检测算法

提出并实现了一种基于差分和肤色图像的人脸检测算法。该算法利用视频图像的运动信息,在帧间差分的基础上进行二值图像边缘提取,确定目标在原图像中坐标位置,然后设计肤色模型表征人脸颜色,采用彩色图像的色系坐标变换进行人脸的准确定位。该算法的优点是可将运动信息序列图像中与人脸肤色相似的固定区域删除,在目标跟踪和运动检测上,不仅能有效地抑止背景噪声,减少误检率,而且还能缩小人脸检测范围,加快检测速度。实验表明,该算法可行、有效。     

基于视觉的印刷品缺陷检测技术

为满足印刷品缺陷检测的准确度需求,设计了一种基于计算机视觉的分布式检测系统。该系统主要包括图像采集模块、图像处理模块、输入输出模块。研究了图像预处理、特征提取、图像配准、图像匹配和缺陷检测的相关算法。实验数据表明:该系统和采用的图像算法能精确计算缺陷的各项特征参数并判断类型,达到了印刷品缺陷检测的要求。     

基于深度学习的不规则特征识别检测技术

〖HK44〗〖HT5”H〗摘要：〖HT5”K〗针对目前工业上金属轴零件在加工的过程中可能由于加工失误、本身材质等原因产生不同缺陷,而传统的检测方法检测精 度和泛化能力有限的现状,课题组提出了基于深度学习的不规则特征识别技术,来提升对金属轴表面缺陷的检测效率。课题组设计了金属轴表面缺陷图像预处理 方法,提升采集的缺陷图像的质量;对传统深度学习Faster R CNN进行改进,设计了模型的特征提取网络、RPN网络、分类网络以及模型参数,提升模型的检测 性能。实验结果表明本技术能有效提升工业流水线对金属轴缺陷的检测效率和精度,可同时检测多种不同种类的缺陷。课题组的研究成果具备良好的泛化能力。     

基于多层次模糊增强的自适应Canny边缘检测算法

边缘检测技术是图像预处理中最重要的技术之一.在对C anny的最佳边缘检测算子进行理论及实验研究的基础上,利用广义模糊集(GFS)理论,给出了基于多层次模糊增强图像区域对比度的广义模糊算子来取代传统的高斯算子,从而增强了图像的层次结构,并实现了图像边缘的自动提取.试验表明,改进算法具有较高的信噪比,能达到比较理想的边缘检测效果.     

基于彩色图像处理与EDLines的数码印花缺陷检测系统

针对数码印花生产过程中由于喷头堵塞、电机偏差引起的PASS道缺陷问题,课题组设计了一套基于彩色图像处理与EDLines的数码印花缺陷检测系统。首先构建颜色补偿矩阵覆盖无关背景花案,增强缺陷与主色间差异性;然后分别在HSI颜色空间3通道采用自定义线型滤波锐化感兴趣区域并基于EDLines实现缺陷配准,并将3通道缺陷匹配结果进行区域融合和形态学处理;最后根据水平投影实现PASS道缺陷定位。实验结果表明：检测系统对印花织物表面缺陷的检测准确率达到96%以上,满足实际检测要求,为数码印花缺陷检测提供新的方法。     

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。     

面向机器视觉的不锈钢棒材表面螺纹缺陷检测

不锈钢棒材表面的螺纹是棒材磨制过程产生的一种缺陷,严重影响棒材的验收与后续使用,目前针对该类缺陷多采用双目观察、手指感知等人工方式进行判断,漏检率较高。已有的方法多针对钢材表面的划痕、砂眼、凹坑等缺陷进行检测,鲜少对螺纹缺陷进行研究,据此,设计了一种基于机器视觉的螺纹缺陷检测方法,提出了一种快速有效的螺纹特征提取方法,建立了一个不锈钢棒材图像的螺纹缺陷数据集,通过对图像特征进行训练,得到分类器。实验结果表明：提出的算法有效提升了螺纹缺陷的检测正确率和检测速度。