基于稀疏表示分类的路面裂缝检测和识别算法

针对传统检测算法普遍存在检测精度低、耗时长的问题,提出了一种基于稀疏表示分类的检测识别算法。该算法通过引入了稀疏表示分类器,选取有效的子块高阶矩特征对图像子块进行分类,避免了对图像进行预处理,简化了检测步骤;然后根据子块分类结果的映射编码识别裂缝类型。在实际采集的高速公路路面图像数据库上进行测试,实验结果表明该算法相比传统算法具有更高的识别精度和执行效率。     

共烧陶瓷多层基板表面缺陷视觉检测方法研究

介绍了共烧陶瓷多层基板自动光学检测系统中的计算机视觉检测识别的研究,重点介绍了基板图像的采集、预处理、缺陷图像的提取和分类识别方法等文中提出了一种基于多模板比较和链码跟踪识别的缺陷分类识别算法。实验表明,该算法运算简单,运行速度较快,故障识别率高。     

基于CNN的金属疲劳裂纹超声红外热像检测与识别方法研究

传统超声红外热像检测与识别金属疲劳裂纹主要是通过图像处理算法提取红外热图像的相关热特征,并与裂纹特征进行匹配,其过程过于繁琐,识别率较低且需要人工筛选有效特征。结合主动红外热成像技术以及卷积神经网络（Convolutional Neural Network,CNN）在金属结构无损检测与缺陷自动识别中的优势,提出了一种基于CNN的金属疲劳裂纹超声红外热像检测与识别方法。通过超声红外热成像装置对实验对象（文中为金属平板试件）进行检测,获取红外热图像并制作图像数据集。运用设计的卷积神经网络对不同尺寸裂纹的超声红外热图像进行特征提取与识别分类。此外,对所提出的方法与两种常见图像分类网络模型以及支持向量机的分类结果进行对比。实验结果表明,设计的卷积神经网络在该数据集上识别分类准确率为100%,优于其他网络模型和支持向量机的识别分类,可以有效检测与识别金属疲劳裂纹。     

基于Gabor展开的水下目标激光探测的信号检测与识别

针对水下目标激光探测的信号检测与识别的问题 ,通过对回波信号的Gabor展开进行分析 ,建立了局部窗口多重相关的峰值检测方法 ,以及利用系数矩阵的迹和特征值描述目标的反射性能 ,实现了对目标的分类识别。实验表明 ,上述方法对目标的有效检测率达 93 0 % ,分类识别有效率达 83 2 %。     

一种基于监控视频的出租车识别方法

研究了一种基于视频监控的出租车识别算法.对已经完成跟踪的车辆,通过提取车辆的方向梯度直方图(HOG)特征,作为支持向量机(SVM)分类检测的输入,进行车辆是否为出租车的分类识别.通过多窗口投票机制,增强了分类识别算法的准确性与鲁棒性.实验证明,该方法能准确进行出租车的分类识别,基于实际的标清监控视频,出租车的分类准确率达到90％左右.     

数字图像拼接篡改盲取证技术研究

研究图像的篡改识别问题,由于数字图像能够被轻易的篡改并且很难发现改动痕迹,对篡改像素不融合现象识别不清,导致图像篡改很难被肉眼识别。为解决上述问题,从篡改者的角度对目前流行的篡改手段做了新的分类,详细分析了各种篡改取证技术的优缺点。提出了一种基于统计特征分类的盲检测算法,实验表明,从图像的双谱幅值和相角检测可以准确识别出篡改后的图像,为篡改图像的识别提供了依据。     

自底向上的图像显著性检测综述

随着数字图像数据急剧增长,图像分类识别领域得到了广泛关注,是当前计算机视觉领域的研究热点。本文针对图像分类识别领域,重点对近几年国际上有影响的自底向上的图像显著性检测算法进行了分类介绍,并且利用目前最为流行的两个显著性检测数据库MSRA1K和ECSSD对这些算法分别进行了实验,最终对比得出目前算法的优势与不足。     

基于多特征联合的太赫兹药品检测方法

以药品为研究对象,利用太赫兹时域光谱系统对3种不同药品进行测量并提取折射率、介电常数和物质因子等多个特征参数,然后联合多个特征参数作为输入,采用后向传播(BP)神经网络、支持向量机(SVM)和学习矢量化(LVQ)3种机器学习方法分别对药品进行多特征联合检测分类识别。实验结果表明,多特征联合检测方法识别准确率能够达到95%以上,有效提高药品的检测分类准确度,可用于药品的检测和分类识别。     

基于主动激励的硅通孔内部缺陷分类识别

硅通孔(TSV)三维封装因其独特的工艺而备受关注,然而内部缺陷的检测一直是限制其进一步发展的难题。主动红外热成像技术是一种新型无损检测方法,具有无接触、高效率等优点,为实现对TSV内部典型缺陷的识别与分类,提出了一种基于激光加热主动激励的TSV内部缺陷分类识别方法。以激光为辐射热源,充分激发TSV内部缺陷,通过理论与仿真分析,掌握不同内部缺陷在主动激励下的外部温度分布表现规律;建立卷积神经网络模型,通过对外部温度分布结果的训练,实现内部缺陷的分类识别。通过试验证明,该方法对典型TSV内部缺陷具有良好的识别能力,识别准确率可达97.12%。利用主动红外热成像检测方法实现了对TSV内部缺陷的有效检测,为三维封装缺陷检测提供了一种快速有效的方法。     

基于机器视觉的印刷套准识别方法研究*

针对印刷套准检测存在的精度低、速度慢的问题,提取了印刷标志图像的Tamura纹理特征：粗糙度、对比度和方向度,以描述其印刷标志套准或套不准特征;设计了支持向量机的分类器对印刷标志图像进行套准识别,并采用高斯径向基核函数用于非线性数据的分类。实验结果证明,采用建议的印刷标志图像特征提取和分类方法,识别准确率达到90%,识别时间为0.032751秒。本文建议的方法在识别准确率和识别速度上都优于人工检测和文献8的方法。     

基于CNN的车辆目标检测与车型分类研究

车辆检测与分类是智能交通系统的重要任务。解决这些任务的传统方法由于受到车辆图像视角受限的影响从而导致粗粒度的识别结果。近年来深度学习成功应用于图像分类任务,并受其最新成果的启发,本文提出了一种基于卷积神经网络的车辆检测与分类方法,该方法包括车辆区域检测和车型分类两部分。在检测和分类实验中,我们详细对比分析几种典型的网络模型,如R-CNN,Faster R-CNN,AlexNet,VggNet,Googlenet和Resnet。本文提出的算法能够准确,实时地识别车辆类型,品牌等信息。利用构建的原始数据集,该算法在7种车型分类的平均准确率约为89%。     

基于HOG特征和SVM分类器的红外图像智能检测与分类方法

为了满足人工智能在目标识别方法中的应用需求,需要具备对海量数据进行智能分类、识别、判读的能力。进一步挖掘了红外目标特性数据库数据,并将基于HOG+SVM的红外目标识别算法应用于红外目标识别过程中。选择采集到的汽车、直升机、飞机、舰船、无人机等目标,并结合HOG算子与SVM分类方法来实现红外目标检测与分类算法,从而实现了红外目标智能化分类研究,为后续目标特性的进一步分析以及导引头智能化算法设计提供了支撑。     

基于高密度点云的激光焊接缺陷智能在线检测（特邀）

铝合金薄板激光焊接经常会出现咬边、凹陷等表面缺陷。这两种缺陷由于尺寸小、特征相似,难以通过传统视觉在线检测手段对其进行精确分类和测量。开发了一种基于深度学习缺陷分类-点云测量的在线监测系统,利用高密度的点云数据对缺陷进行识别、分类与测量,解决了上述检测难题。通过双目结构光传感器采集点云数据;利用基于区域推荐网络的卷积神经网络模型识别和定位缺陷;在识别和定位缺陷后,通过对局部缺陷区域的点云进行操作,快速测量缺陷尺寸。高密度点云数据训练的模型的识别准确率达到93%,高于传统二维视觉传感器图像训练的模型。该检测系统在线检测允许的最大焊接速度为316.87 mm/s,适用于大多数激光焊接。     

深度学习在影像中的算法研究

深度学习技术的运用正日趋广泛,深度学习自身的高效性和智能性受到研究者的青睐.通过对深度学习影像分类的剖析,进一步探究深度学习在影像识别方向的应用,介绍了主要用于影像分类识别的基于深度学习的医疗影像检测算法,可作为开展深度学习技术运用于医学影像检测研究工作的有益参考.     

基于空间转换网络的端到端车牌检测与识别

在复杂场景中,许多现有的车牌检测和识别方面 的研究方法存在数据集单一且有限、算法复杂等问题。因此提出了一个端到端的统一网络: 残差-空间变换-连接时序分类融合的 车辆号牌检测识别网络(LPDR-RSCNet)。该网络结合残差神经网络、空间变压器网络和连 接主义者时间分类,联合训练检测和识别模块,以减少中间错误积累。通过在残差神经网络 提取特征过程中引入空间变换网络,使特征提取器具有平移不变性、旋转不变性和缩放不变 性;在分类器引入连接时序分类,可以自动识别图片标签和特征之间的关系。同时,还可以 适应可变长度序列的识别。在中国城市停车场数据集(CCPD)上进行了比较实验,CCPD是一 个大规模、多样的中文车牌数据集。实验证明LPDR-RSCNet模型在实际应用中可实现98.8％ 的识别精度和34 fps的速度,并且相较于YOLO9000、Faster-RCNN、SSD300, 具有更好的检测准确度,可满足智能交通系统中对移动车辆实时车牌检测和识别的要求。     

属性相关选择和Bagging算法在入侵检测中的应用

入侵事件的识别是入侵检测系统的关键,入侵事件的识别是一个网络数据的分类问题。通过基于相关的属性选择算法,选择出相关度高的属性子集,去除冗余度高的属性,在选择的属性子集上,使用Bagging算法对网络数据分类,识别入侵事件。实验结果表明,在选用的实验数据上,基于相关的属性选择算法和Bagging算法结合使用,提高了分类正确率和入侵事件的检出率,降低了入侵事件的误报率。     

四边形分类识别算法

四边形的分类识别是图形识别中的重要内容.Hough变换是检测直线的基本工具,利用Hough变换检测出图像中各直线与x轴正方向所形成的夹角,对这些夹角降序排序后再进行比较,从而确定四边形的类型.实验结果表明,算法简单有效,能对复杂图像中的四边形进行分类识别,具有一定的实用价值.     

属性相关选择和AdaBoost算法在入侵检测中的应用

入侵事件的识别是入侵检测系统的关键,入侵事件的识别是一个网络数据的分类问题。通过基于相关的属性选择算法,选择出相关度高的属性子集,去除冗余度高的属性,在选择的属性子集上,使用AdaBoost算法对网络数据分类,识别入侵事件。实验结果表明,在选用的实验数据上,基于相关的属性选择算法和AdaBoost算法结合使用,提高了分类正确率和入侵事件的检出率,降低了入侵事件的误报率。     

基于TMS320F2812的目标检测方法研究

目标分类识别的关键在于对目标分类特征的提取和高品质的目标检测方法的应用。传统的利用单一传感器进行目标信息的采集并对目标进行检测的方法,目标分类能力不强,不能处理现实环境存在的各种情况。本文通过分析声传感器和目标特征提取方法,介绍并比较了各信息融合方法的优缺点,采用神经元网络方法运用于多传感器地面目标检测系统,并最终运用K-NN聚类算法对声信号进行分类,从而较好的实现了对地面目标的检测和分类。     

基于YOLOv5和少样本学习的高空作业安全带检测

针对电厂高空作业人员安全带佩戴检测问题,现有研究大多利用深度检测模型直接检测,不仅需要大量样本训练模型,而且由于高空作业背景杂乱、人员目标小,导致不易检测等。为此,提出一种基于目标检测和少样本细粒度分类的两阶段检测方法：首先利用YOLOv5检测视频图像中的高空作业人员,再用少样本细粒度分类方法识别其是否佩戴安全带。针对佩戴和不佩戴安全带人员的细微差别,设计了一种基于局部描述符的少样本度量学习模型,在公用数据集预训练模型基础上,利用少量训练样本对模型微调,用于安全带佩戴识别。实验结果表明,在支持集图像数为60时,识别精度达到了97.86%。所提方法可实现少样本情况下对高空作业人员安全带佩戴情况的精确检测。