基于空间语义分割的多车道线检测跟踪网络

基于深度学习的目标检测网络在车道线识别领域依旧存在车道区别不明显，识别精度低，误检率、漏检率高等问题。为了解决这些问题，提出了一种基于空间实例分割的轻量级车道检测跟踪网络。该方法在编码部分使用VGG16网络和空间卷积神经网络来提高网络结构学习空间关系的能力，解决了预测车道线出现模糊、不连续等问题；基于LaneNet将编码输出后的两个分支任务相耦合，以改进前景与背景识别效果不佳和车道间区分不明显的问题。最后，该方法在TuSimple数据集中与其他5种基于语义分割的车道线算法进行对比。实验表明，本文算法的准确率评分为97.12%，误检率与漏检率均优于其他网络，并且误检率与漏检率相比于LaneNet分别降低了44.87%和12.7%，基本满足实时车道线检测跟踪的要求。     

基于Inception-SSD算法的零件识别

针对传统目标检测方法不能兼顾目标识别精度和检测实时性,且在实际生产复杂工况下识别效果不佳的问题,提出一种基于Inception-SSD框架的零件深度学习识别方法。首先,提出了融合Inception预测结构的SSD优化框架Inception-SSD,将Inception网络结构引入到SSD网络额外层中,并使用批量标准化模块(BN)和残差结构连接,从而捕获更多目标信息而又不会增加网络复杂性,以提高检测准确率而又不影响其检测速度,并增加算法鲁棒性;然后提出在原损失函数基础上增加排斥损失项以改进损失函数,同时采用一种基于加权算法的非极大值抑制方法,克服模型表达能力不足的缺点。最后,将改进前后SSD算法在自制零件数据集上进行训练和测试,实验结果表明:本文方法在实际生产过程复杂情况下检测准确率达到97.8%,相比原SSD算法提升11.7%,检测速率41 frame/s。在提高检测精度同时还保证了实时性,能够满足实际生产环境零件检测需求。     

基于注意力模型的人脸关键点检测算法

人脸关键点定位因受到表情、光照、姿态等的影响,常常会出现大的误差。为了准确地定位到人脸的关键点,提出了一种基于注意力模型的人脸关键点检测算法。先是利用可变型模型(DPM)算法检测出图片中的人脸区域,然后结合残差网络(ResNet)和收缩激励网络(SeNet)对该区域进行人脸关键点定位。实验结果表明,该算法在人脸数据集上获得了较高的准确率,证明了该算法的有效性。     

柔性浅埋物的声-振智能探测

提出一种基于目标检测算法的柔性浅埋物的声-振智能探测方法,将声波激励、激光散斑干涉测振和目标检测算法有机结合,用以柔性浅埋物的大范围快速探测。在论述YOLO系列目标检测算法原理的基础上,选择并优化柔性浅埋物的智能探测网络模型;然后,搭建声-光融合智能探测系统,构建不同柔性浅埋物的激光散斑干涉条纹图数据集;最后,对数据集进行训练和测试,验证该算法用于干涉条纹图识别的可行性。实验结果表明：在给定实验条件下,柔性浅埋物智能探测网络模型的精确率为98.39%,召回率为84.72%,平均识别精度为99.66%。该声-振智能探测方法可以在给定实验环境下对多种柔性浅埋物的激光散斑干涉条纹图进行智能识别,适用于浅层地下柔性掩埋物的大面积快速探测。     

基于双目视觉的智能监控系统运动目标自动化跟踪方法

传统方法无法对目标精准定位,在动态环境下跟踪精准度低,提出基于双目视觉的智能监控系统运动目标自动化跟踪方法。采用背景差分法构建背景模型,通过计算二值差分图像比较差分图像像素和某特定阈值,确定检测目标具体位置。研究以双目视觉安全防护为基础的监控示意图,利用特征向量线性组合表达不同人脸变化或特性,根据具体实施步骤设计人脸监测与识别流程,采用CamShift跟踪算法求局部最优解,获取重投影矩阵,在监控系统运动目标发生遮挡后再次进行自动化跟踪。以Python为语言基础进行实验对比分析,由实验结果可知,基于双目视觉方法跟踪精准度较高,能够实现对运动目标的精准定位。     

基于深度学习的多尺寸汽车轮辋焊缝检测与定位系统研究

为了实现汽车轮辋生产装备自动化与智能化,提升汽车轮辋的生产效率,降低人工成本,本文提出了一种基于YOLOv5s算法的多尺寸汽车轮辋焊缝检测与定位系统。首先,由图像采集装置拍摄实际生产中的多尺寸轮辋焊缝图像,构建轮辋焊缝数据集,使用K-means算法重新生成数据集锚定框,提升网络的收敛速度和特征提取能力;其次,引入CBAM(Convolutional Block Attention Module)混合域注意力机制,提高模型对于轮辋焊缝关注度,减少背景干扰;然后,采用EIOU(Efficient Intersection Over Union Loss)边框位置回归损失函数,提高轮辋焊缝识别框的准确率;最后,增加了ASFF(Adaptively Spatial Feature Fusion)自适应特征融合网络,使目标检测模型对多个级别的特征进行空间滤波。实验结果表明,改进后的算法准确率和mAP0.5分别达到了98.4%和99.2%,相比于原YOLOv5s算法分别提高了4.5%和3.7%。训练好的模型采用推理加速框架TensorRT进行加速部署在工控机上,搭配视觉检测软件与工业触摸屏形成交互...     

一种基于移动机器人视觉的服务目标人确认算法

本文提出一种基于移动机器人视觉的服务目标人的确认算法.首先提出采用基于标准混和高斯模型与人眼特征相结合的方法检测人脸,提高了光线不均情况下人脸的检测率;在检测到人脸的基础上,再采用基于Gabor特征变换法的HMM人脸识别方法确认指定的服务目标,采用几何标准化方法将检测到的目标人脸进行标准化处理,然后对检测到的每个人脸分块并提取其Gabor、特征,建立HMM模型.通过大量的实验验证了目标人寻找方法不仅对本实验室采集的人脸库有较好的识别效果,而且在线实时验证也取得较好的效果.     

基于机器视觉的液体药品异物检测系统研究

为实现液体药品异物在线高速高精度检测,设计了一套基于机器视觉的自动化检测系统.本文首先研究了异物检测系统的机械与电气控制系统结构,开发了面向医药生产线的图像获取装置.然后根据药液内异物运动轨迹连续性的特点,提出了基于序列图像的检测跟踪识别算法.最后,选择100 ml玻璃瓶装10%葡萄糖和0.9%氯化钠药品为对象进行测试,实验表明:本文设计的检测系统能很好地满足医药生产线的需求,检测分辨率达到10 μm,准确率近95%.     

实时人脸表情识别方法的研究与实现

进行人脸表情识别系统相关的算法研究,并基于网络摄像机平台搭建实时人脸表情识别系统。针对经典Retinex算法亮度图像估计运算复杂问题,提出一种Gamma校正的单尺度Retinex图像增强算法;对增强图像进行HOG表情特征提取,并通过最近邻分类器进行表情分类。搭建人脸表情识别系统,进行实时人脸检测与表情识别。测试结果表明该方法具有较高的识别率和鲁棒性。     

融合卷积块注意力模块和Siamese神经网络的人脸识别算法

针对传统人脸识别方法识别性能较差,基于深度学习的方法在非限制条件下识别较为困难,人脸特征区分性弱,识别精度容易受到姿势、表情等方面影响的问题,提出了一种引入卷积块注意力模块的孪生神经网络模型结构。该结构是基于孪生神经网络（Siamese neural network）的基础框架进行改进的,在框架中引入改进的VGG11＿BN模型进行特征提取。该模型是在VGG11结构的基础上引入批归一化（Batch Normalization,BN）技术,在原模型结构的基础上,提出引入CBAM混合注意力机制的特征提取网络;最后,针对目前亚洲人的人脸识别训练较少的情况,采用更加符合亚洲人脸特征的CASIA-FaceV5数据集进行识别训练。实验结果表明：本文算法在人脸识别方面的准确率达到了96.67%,并且在CAS-PEAL-R1人脸数据集上比SRGES,VGG11+siamese算法的准确率分别提升6.05%,6.7%。该算法可以在多因素影响下更好地进行人脸识别验证,具有良好的稳定性。     

基于YOLOv3的装配零件多目标实时检测

为实现装配零件图像的多目标检测任务,提出基于深度学习的目标检测算法,将目标检测模型YOLOv3应用于零件的识别检测。将基于迁移学习思想的预训练权重引入网络模型的训练过程,加速网络训练过程,损失函数快速收敛,加速模型建立过程。将训练模型应用于零件检测,实验结果表明,所提出的多目标检测方法识别10类零件的mAP为99.8%,识别周期小于1s,检测结果准确。研究结果对生产线的自动化分拣、零件的装配定位有参考价值。     

基于激光雷达的武器导弹目标识别与跟踪

本文主要介绍了激光雷达技术在武器导弹目标识别与跟踪中的应用。首先,阐述了激光雷达的原理、系统组成和数据处理方法。然后,探究了目标识别与跟踪技术的发展趋势,并分析了目标识别与跟踪算法的优缺点。接着,总结了基于激光雷达的武器导弹目标识别与跟踪算法,包括目标检测、识别和跟踪3个部分。最后,设计了武器导弹目标识别与跟踪系统,包括硬件和软件2个方面,以期为相关研究提供参考价值。     

适应变电站智能安全监控的运动目标检测及人脸快速识别方法

目前变电站安全防护方法主要依靠传统监控或人工巡视,耗费了大量人力,并且效果不佳。提出一种适应变电站进出监控需求的运动目标检测及人脸快速识别方法。首先对变电站视频监控环境进行分析;其次设计了基于混合高斯背景模型与帧间差分法相结合的变电站内运动目标检测算法,基于Haar的人脸检测算法和基于EigenFace的变电站人脸快速识别算法,并且对采集到的视频图像进行分析处理,实现了有人员进入禁止区域时的报警功能以及对进出的人员进行人脸检测识别功能;最后结合具体地区的具体案例,进行实际场景下的验证,系统工作稳定,耗时短,检测精度高,满足变电站安全视频监控的需要。研究表明,智能视频监控可以大大降低其安全风险。     

基于深度学习的航天密封圈表面缺陷检测

针对航天密封圈表面缺陷人工检测效率低、传统图像处理检测算法通用性差的问题,提出了两种基于深度学习的密封圈表面缺陷检测算法。首先,针对缺陷大部分为小目标的特点,选取对小目标较敏感的RetinaNet网络作为检测算法的基本架构,通过在RetinaNet网络中引入轻量级网络MoGaA构建出MoGaA-RetinaNet算法。然后,为了提高检测精度,在MoGaA-RetinaNet基础上,用分解卷积模块代替MoGaA骨干网络中的深度卷积构建了newMoGaA骨干网络,设计出newMoGaA-RetinaNet算法。最后,在测试集上的实验结果表明,MoGaA-RetinaNet算法比RetinaNet算法检测速度更快,但检测准确率略低;而newMoGaA-RetinaNet算法实现了检测精度与检测速度的良好平衡,比RetinaNet算法准确率提升4.5%,达到92%,检测速度提升55%,达到31 frame/s,网络参数量减少50%。所设计的newMoGaA-RetinaNet算法可以实现密封圈表面缺陷的快速准确检测。     

基于YoloV3与轻量型网络的衣物识别算法研究

衣物图像的识别在商业领域和社会生活领域中均有着很大的应用价值,但目前的目标识别模型在衣物识别上的准确率较低并且参数量较大。因此,本文改进了YoloV3目标识别网络,将主干部分特征提取网络替换成EfficientNet轻量级网络,减少参数量的同时能够快速准确地识别出衣物类别。测试结果标明,算法识别准确率和检测速度有一定提升,且参数量从约620亿FLOPs降低到约20亿FLOPs,计算量显著降低。     

深度学习的车间零件分拣机器人目标识别方法

针对目前方法识别机器人目标时,由于未能详细分析分拣机器人运动规律,导致该方法开展目标识别时,存在平均置信度低、识别效果差等问题,提出深度学习的车间零件分拣机器人目标识别方法。该方法通过分析分拣机器人运动规律,提取待检测目标的特征向量值;结合深度学习理论建立目标识别模型,并寻找模型最佳参数;建立待检测目标的相关测试集放入模型中训练,基于模型输出结果,完成机器人的目标识别。实验结果表明,运用该方法识别目标时,其在特征提取后,分拣目标数量为1000个时,识别准确率达到了97.5%以上,识别耗时在100s以下,平均置信度约为0.8,有效提高了平均置信度、降低了识别时间,识别效果好。     

基于YOLOv5的移动机器人目标检测算法的研究

移动机器人目标检测是机器人对抗、军事侦察和物料搬运等领域的关键技术。基于改进的YOLOv5算法进行移动机器人目标的快速检测,使用Varifocal Loss替换Focal Loss来训练密集目标检测器。测试对比结果表明,改进后的YOLOv5算法可以在轻量化的同时提高识别的准确率,与改进前对比平均mAP最高可达94.6%,识别速率可达89帧/秒。     

基于改进YOLOv5的人脸检测算法

随着计算机视觉行业的不断发展，基于卷积神经网络的目标检测算法也受到了研究人员的重视。针对传统的YOLOv5目标检测算法中的边界框回归损失函数GIOU存在当检测框与真实框呈包含的状态时会退化到传统IOU损失函数，以及当检测框和真实框相交时在垂直和水平两个方向上存在收敛速度慢的问题，提出一种改进的YOLOv5目标检测算法。在传统YOLOv5的基准网络中添加注意力机制，然后在边界框回归损失函数中引入真实框与预测框中心的欧式距离计算预测损失，并分别计算预测框与真实框之间的纵横比作为惩罚项以达到提高回归精度以及加快收敛速度的目的，最后将改进后的YOLOv5目标检测模型应用于人脸检测进行验证。实验利用wideface人脸数据集训练，训练结果表明改进的YOLOv5目标检测算法训练中的损失只有0.013，较传统的YOLOv5目标检测算法损失减少约13.33%，准确率达到82.28%，较传统的YOLOv5目标检测算法提高2.6%。实验表明该目标检测算法能很好的应用于人脸检测中。     

聚乙烯燃气管道热熔接头缺陷检测系统设计及实现

为甄别片源真伪及提高热熔接头缺陷识别效率和精度,基于改进的ResNet34网络模型设计出聚乙烯燃气管道热熔接头缺陷检测系统。通过加入Droupt层和修改激活函数对ResNet34网络模型进行改进,并在此基础上对采集的数据集进行学习训练;再以训练模型为支撑设计系统总框架和功能模块;最后,基于Python语言完成聚乙烯燃气管道热熔接头缺陷检测系统的开发。测试结果显示：该系统对热熔接头缺陷的平均识别准确率为92.7%,且平均每张缺陷图像识别的时间不超过0.6 s。该系统具有较高的识别效率和准确率,可以实现聚乙烯燃气管道热熔接头缺陷的快速识别。     

基于KCF-Hash-Match目标跟踪算法的高速列车车轮横向晃动识别方法

良好的轮轨接触状态是高速列车安全运行的重要保障,轮轨相对横移量作为判别轮轨接触状态的重要指标,直接决定着车轮是否存在脱轨危险,基于机器视觉的轮轨在线跟踪监测技术可为高速列车轮轨接触点状态识别提供新的思路。测试采用在转向架底部安装摄像机的测试方法,获取列车高速运行时的轮轨接触图像。综合考虑核相关滤波算法跟踪速度快和模板匹配算法跟踪精度高的优点,并融入哈希算法原理。提出一种能够识别高速列车轮轨接触几何状态的核相关滤波-哈希-模板匹配算法(Kernel correlation filtering-Hash-Match,KCF-Hash-Match),用于复杂运营环境下高速列车车轮横向异常晃动的监测。结果表明,KCF-Hash-Match算法能够解决传统核相关滤波算法在跟踪快速移动目标时存在的误差积累问题,当允许的误差阈值为8个像素点时,准确率达到99.8%;与现场实测数据对比表明,KCF-Hash-Match算法具有较高的跟踪精度,可实现高速列车车轮横向晃动的安全监测。