基于机器视觉的碳纤维预浸料表面缺陷检测方法

针对碳纤维预浸料表面缺陷人工检测方法效率低、成本高、实时性差等问题,提出基于机器视觉的碳纤维预浸料表面缺陷自动检测方法。首先,在碳纤维预浸料生产线上,采用2台高分辨率线扫描相机快速连续采集图像,从中随机选择带有缺陷的图像1 000张;其次,基于大气光散射模型对图像进行去雾增强处理,以消除白色树脂的干扰;然后,改进具有19个卷积层和5个最大值池化层的YOLOv2目标检测算法,用于缺陷的检测;最后,对预处理后的图像进行网络训练提取图像特征,识别图像目标,并对训练好的网络进行实验验证。结果表明:该方法在复杂的工业环境下,具有较高的识别精度和鲁棒性,识别成功率达到94%以上,且每张图像的检测时间不超过 0.1 s,可满足工业生产中精度和实时性要求。     

基于SURF算法的红外图像拼接方法的改进

针对红外图像拼接存在速度慢、精度低的问题,将常用的几种可见光图像配准算法用于红外图像配准对比实验。选择其中实时性和准确性较好的SURF算法进行优化改进,采用的方法是图像区域分块、阈值化处理和特征点匹配对两级筛选(筛选条件根据不同对象可实时调整)。在不牺牲准确性的前提下,改进方法有效地提高了红外图像拼接的实时性。实验证明笔者提出的红外图像拼接改进方法的有效性。     

基于SURF算法的声纳图像拼接方法

针对水下机器人采集的声纳图像检测范围较小的问题,文章提出了一种基于SURF的声纳图像拼接算法。首先,对采集的声纳图像进行一定的预处理,去除噪声并调整声纳图像的对比度;其次,对处理后的图像提取SURF特征点;然后,利用得到的特征点对求解单应矩阵并进行坐标映射;最后,对拼接图像进行图像融合。实验表明:该算法在含有较多特征点的声纳图像中具有较好的精度,实时性也较好。     

基于改进卷积神经网络的食品异物自动识别方法

目的：提高食品中异物识别速度和精度。方法：在LeNet-5网络结构的基础上增加批量归一化层和Dropout层得到改进的CNN模型，利用此模型建立识别系统用于食品图像中异物自动识别。通过试验对所建模型性能进行分析。结果：与传统的模型相比，该模型具有更高的检测精度和更快的识别速度，食品异物的识别准确率为99.75%，识别时间仅为0.332 s。结论：建立的饺子图像异物识别模型具有较好的检测速度和识别精度。     

基于机器视觉的细纱接头机器人纱线断头定位方法

为实现通过机器视觉方式对细纱接头机器人的纱线断头进行定位,并简化机械结构,根据断头纱线图像特点,提出针对纱线特征的识别与定位算法。利用工业相机采集纱线被吸入吸嘴的图像,通过改进灰度增强方法增大纱线特征与背景对比度,利用Canny算子进行边缘检测,最后通过划分上下感兴趣区域以及优化的霍夫直线检测获取纱线的图像特征并利用定位算法提取所需的位置信息。结果表明:本文算法提取的位置信息精度较高,坐标点误差为1.42像素,角度误差为0.60°;相较于传统检测算法,程序运行时间得到了缩短,识别时间在10^-1 s数量级上,实时性好;研究成果可应用于细纱接头机器人产品开发中。     

图像分割算法在花型自动识别中的应用

针对提花毛皮样片扫描图像的花型自动识别问题,提出了一种改进的基于空间信息的模糊C均值聚类图像分割算法,该算法利用像点邻域区间的粗糙度和邻域像点的值修正像点与聚类中心的距离,对像点的模糊隶属度函数进行修正,利用修正后的模糊隶属度函数进行聚类中心的迭代计算,获得合理的聚类中心。经多幅提花毛皮样片的花型图像分割实验表明,该算法具有对噪声不敏感的优点,在进行提花毛皮样片扫描图像的花型识别时,能获得较好识别结果。     

数字化功能信息纸张的产品建模与图像识别研究

利用Unigraphics NX软件进行数字化纸张的产品建模,主要针对在纤维成纸过程中基于点阵图形的数字化纸张信息的模拟,从理论角度形成数字化的纸张图像。进而根据模拟纸张信息的特性,采用基于图像像素值的模板匹配、寻找特征点匹配的ORB算法以及改进后的ORB算法对纸张信息进行识别效果的对比。实验结果表明,在保持识别准确度的前提下,改进后的ORB算法耗时较短,具有较强的实时性,为纸张的功能数字化信息的识别提供了理论基础。     

提高棉和麻纤维纵向自动识别率的因素分析

基于三维位移自动平台对棉和麻纤维进行纵向自动识别,通过试验分析棉纤维纵向特征参数值的完整性,系统采集纤维图像的最佳位置是识别过程中影响识别率的主要因素。通过更新识别参数数据库,改变图像采拍位置等方法研究提高纤维种类识别准确率。试验结果表明,所采用的改进方法对于提高纤维种类识别准确率是有效的。     

基于权重阈值的图像匹配方法

针对尺度不变特征变换(SIFT)算法在低照度情况下存在匹配特征点数目少,会丢失部分重要信息的问题,课题组提出先对图像进行预处理,即增强对比度,提高亮度,使特征信息更明显,特征点更充足,再使用SIFT算法提取特征点;针对SIFT算法因特征描述符维数过多导致耗时长,实时性差的问题,课题组提出一种新的特征点描述方式,降低了描述符维数,提高了算法运行速度;最后,针对SIFT算法匹配过程中对描述符所有维度设置统一阈值易造成误匹配的问题,课题组提出一种权重阈值的方法,对距离特征点不同位置的种子点设置不同的阈值,提高匹配正确率。实验表明:与SIFT算法以及PCA-SIFT算法相比,改进的算法匹配精度提高了10%～20%;同时,匹配时间也有所提高。该算法既有效提高了匹配正确率,又缩短了算法运行时间。     

基于HOG局部双线性插值的机械零部件检测与识别

传统方向梯度直方图(HOG)特征方法用于机械零部件检测时,对零部件的微小缺陷点的检测和识别不是很有效,因此课题组提出了一种局部双线性插值的HOG特征提取改进算法,将其用于小缺陷点的零件的检测和识别。首先,在图像内部的某个块上实现局部双线性插值;然后对局部双线性插值图像块进行梯度计算,提取新的梯度方向直方图;最后利用神经网络分类方法对具有微小缺陷点的零件进行检测。实验结果表明:局部双线性插值HOG特征提取方法比传统的HOG特征提取方法具有更好的检测性能;增强图像的抗混叠识别效果。     

应用机器视觉的鞋面数量统计与尺寸测量

针对鞋面数量统计和尺寸测量过程中人工检测方法效率低、成本高的问题。提出利用机器视觉的鞋面数量统计与尺寸测量方法。采用基于边缘方向的模板匹配算法对鞋面进行数量统计。运用最小外接矩形（MER）算法对鞋面进行尺寸测量。为验证方法的可靠性,对3种鞋面分别在光照变化、混乱和遮挡条件下进行了检测实验,并与绝对误差和算法、归一化相关系数法和Hausdorff距离匹配算法的检测结果进行了对比。将MER测量结果和人工测量结果进行对比,结果表明：基于边缘方向的模板匹配算法在复杂环境下的鲁棒性更高,可以完成鞋面数量统计;MER方法和人工测量的相对误差在0.67%以内,满足工业生产中的实际需求。     

基于分类特征提取和深度学习的牛肉品质识别

目的：降低数据差异性和光谱特征冗余度对牛肉品质识别的影响。方法：提出一种基于分类特征提取和深度学习的牛肉品质识别方法,采用改进的DPeak算法对光谱数据进行自适应聚类分析,实现对数据的差异性分析。定义牛肉光谱特征提取目标函数,采用离散狮群算法进行求解,提取每个分类的最佳光谱特征子集,最大限度降低特征冗余度。运用改进狮群算法(ILSO)对每个分类对应的支持向量机(SVM)模型参数进行优化,提出融合分类特征提取和ILSO优化SVM的牛肉品质识别模型,完成对牛肉品质的分类识别。结果：相比于SSA-SVM、PCA-SVM识别模型,该模型识别精度提高了约12.3%~14.5%。结论：基于分类特征提取和深度学习的牛肉品质识别模型能够提高牛肉品质识别精度。     

基于改进PSO-SVM的生产线分拣机器人罐装食品识别方法

目的:解决现有食品生产线分拣机器人目标识别方法存在的准确率差和效率低等问题。方法:在对基于双目视觉食品分拣系统进行分析的基础上,提出了一种将改进的粒子群算法和支持向量机相结合用于食品分拣机器人的目标识别。通过改进粒子群算法寻优支持向量机参数,获得优化的支持向量机分类模型,对全局特征和局部特征分别进行分类器训练,动态分配特征权重系数,得到最佳识别率。通过试验分析所提方法的性能,验证其可行性。结果:与常规方法相比,所提方法在食品分拣机器人的目标识别中具有较高的识别精度和效率,准确率为99.50%,平均识别时间为0.048 s,满足机器人的分拣需要。结论:所提方法能有效识别罐装食品,提高了分拣机器人分拣准确率和效率。     

基于机器视觉图像提取的马铃薯内部病虫害特征识别

构建二维马铃薯内部病虫害视觉图像采集模型,对采集的马铃薯内部病虫害视觉图像进行分块融合检测,根据马铃薯绿叶素纹理分布进行病虫害的特征检测,提取马铃薯内部病虫害视觉分形特征量,采用表面纹理配准和分块自适应检测方法进行病虫害的特征点标定,结合小波变换方法进行马铃薯内部病虫害视觉图像的特征分解,根据颜色梯度变化的差异性实现机器视觉下的马铃薯内部病虫害特征识别。仿真结果表明采用该方法进行马铃薯内部病虫害特征识别的准确率接近90%,提高了马铃薯内部病虫害的防治和识别能力。     

基于协调注意力的花生荚果品质分级

目的:解决花生荚果品质分级过程中模型参数占用内存大、识别精度低、识别速度慢的问题。方法:提出一种基于深度学习和图像处理的花生荚果品质分级方法,在SqueezeNet模型的基础上,通过引入的协调注意力模块(Coordinate Attention)将得到的特征图分别编码成一对方向感知和位置敏感的注意图,加强获取特征图中感兴趣区域信息的能力;采用梯度集中(Gradient Centralization)的策略改进优化算法;优化最末的fire层及卷积层的参数。提出优化模型CG-SqueezeNet,并应用于花生荚果品质分级。结果:与经典模型试验对比,CG-SqueezeNet模型在实际花生荚果图像数据库上的检测准确率为97.83%,参数内存仅为2.52 MB。结论:该方法适合部署在移动终端等嵌入式资源受限设备上,有助于实现对花生荚果品质的实时准确识别。     

植物油的红外光谱结合神经网络快速识别

为实现对植物油的快速检测,借助衰减全反射-傅里叶变换红外光谱分析技术并结合深度学习算法对植物油开展光谱模式识别工作。实验获取8种植物油样本的光谱数据,采用标准正态变换和一阶导数预处理方法消除背景干扰,同时采用竞争性自适应重加权算法模型对各样本特征光谱数据进行提取,分别建立长短记忆神经网络(LSTM)、基于Levenberg-Marquardt算法改进的BP神经网络对提取特征波长后的植物油种类进行预测识别与比较,并采用后者进行了实际样品的识别检测。结果表明,通过提取特征波长,可有效提高LSTM模型的识别准确率,其最优准确率从提取特征波长前的30%～40%提高到80%～90%,模型运行时间从提取特征波长前的111 min 25 s缩短至1 min 45 s。相较于LSTM模型,基于Levenberg-Marquardt算法改进的BP神经网络的分类识别准确率更高,达到99.852%,用于实际样品的识别,识别准确率达到100%。实验结果可为植物油的无损快速检验提供一定的参考与借鉴。     

基于改进YOLOv3模型的软包装食品自动识别方法

目的:解决现有包装食品自动识别方法存在的识别精度差、效率低等问题。方法:基于软包装食品自动识别系统，提出一种改进的YOLOv3模型用于软包装食品的自动识别。将Kmeans++算法引入模型中解决小目标不敏感问题，将Mish激活函数引入模型中提高识别的准确性，将注意力机制Senet引入模型中提高特征提取能力。通过试验分析了该识别模型的性能，验证了模型的优越性。结果:与常规识别方法相比，所提方法能更准确、高效地实现软包装食品的自动识别，识别准确率为95.40%,识别效率为23.80帧/s,满足包装食品识别的需要。结论:通过对现有食品识别模型的优化，可以有效提高识别模型的性能。     

基于改进YOLO深度卷积神经网络的缝纫手势检测

在人机协作领域,针对动作手势相似度大,环境复杂背景下手势识别率低的问题,提出一种基于YOLO深度卷积神经网络检测识别缝纫手势的方法。以4种复杂缝纫手势作为检测对象并构建缝纫手势数据集,通过在YOLOv3低分辨率的深层网络处增加密集连接层,加强图像特征传递与重用提高网络性能,实现端到端的缝纫手势检测。实验结果表明,在缝纫手势测试集中,训练后的模型平均精度均值为94.45%,交并比为0.87,调和平均值为0.885。通过对比区域卷积神经网络、YOLOv2以及原始YOLOv3算法,提出的改进方法检测精度有显著提升;同时在GPU加速情况下,平均检测速度为43.0帧/s,可完全满足缝纫手势的实时检测。     

基于改进型YOLO的密集环境下槟榔果实的快速识别方法

目的:提高小个体槟榔的识别精确率以及槟榔加工厂的自动化程度。方法:设计并选取Mob-darknet-52作为新型特征提取网络,采用多尺度检测尺寸,提出一种基于改进型YOLO算法的槟榔定位与识别的方法。结果:Mob-YOLOV3-SPP对槟榔果实分类的检测精度为94.8%,准确率为94.5%,召回率为95.1%,模型的检测时间为6.679 ms。结论:基于改进型YOLOV3网络的优化算法可以实现密集环境下槟榔果实的快速定位与识别。