一种铝塑泡罩药品包装缺陷检测方法

目的针对铝塑泡罩药品人工检测时存在的包装缺陷,如效率低、成本高、稳定性差等,采用机器视觉技术对铝塑泡罩药品包装进行缺陷检测。方法采用快速鲁棒特征SURF提取算法、BOW算法和单分类支持向量机组成的缺陷检测算法框架,并完成铝塑泡罩药品包装缺陷检测系统的开发。通过搭建的实验平台获取280幅铝塑泡罩药品图像,并采用文中所提方法对180幅图像实施缺陷检测。结果实验结果显示,在阈值为1900、视觉单词数量为120、惩罚因子为0.9时,文中方法的准确率为99.4%。结论文中方法提高了铝塑泡罩药品包装缺陷检测的准确率和稳定性。     

基于改进大津法与人工鱼群优化的图像分割算法

为了在泡罩药品包装视觉检测过程中获取更好的图像分割效果,以保证特征提取、缺陷识别等后续任务的顺利进行,对传统二维大津法进行改进,引入类内方差并将其与人工鱼群算法相结合,提出一种新型泡罩药品包装图像分割算法,再对该算法进行理论和仿真分析。研究结果表明：该算法具有较好的图像分割效果,提高了二维阈值查找速度和泡罩药品缺陷检测效率。该算法具有运行速度快、分割效果好、准确可靠等特点,可应用于泡罩药品包装缺陷检测和图像分割领域。     

基于遗传算法优化支持向量机的超声图像缺陷分类

超声图像缺陷在分类时由于存在样本数量少、样本类别多、不易区分等问题,分类的准确率较低。针对这些问题,提出了基于遗传算法优化支持向量机的超声图像缺陷分类方法。该方法首先通过图像处理提取超声图像缺陷的特征数据,然后训练支持向量机作为超声图像缺陷分类器,最后采用遗传算法优化参数求得最优的分类器。实验结果表明,提出的超声图像缺陷分类器在识别率方面优于其他方法的分类器,综合识别率达到了90%,可以有效地辅助工作人员对超声图像缺陷进行分类识别。     

基于判别分析与ANN的药品铝塑包装泡罩XRF分析

目的针对案件现场常见的药品铝塑包装泡罩,为达到对其分类识别的目的,提出系列检验分析、数据处理方法。方法采用X射线荧光光谱法对45个药品铝塑包装泡罩样本所含元素进行检验并讨论分析。对检验结果进行无监督的系统聚类,利用离差平方和法计算欧氏距离进而将未知样本分为5类。结果将分类结果作为变量进行判别分析,选取累积方差百分比为97.8%的2个判别函数,其类内平方和与总平方和之比为0.015和0.394,具有较强的解释能力。绘制的样本判别分类图将5类样本类之间相互区分开来,样本总体判别正确率为95.6%。提取样本在判别函数上的判别得分构建了人工神经网络,最终分类正确率为97.8%。结论利用X射线荧光光谱法对药品铝塑包装泡罩进行检验,将元素种类及含量作为变量进行了分类,并构建了45个药品铝塑包装泡罩样本的人工神经网络分类模型,可借助该模型进一步实现对于案件现场未知类别的药品铝塑包装泡罩样本的分类识别。     

基于比例特征的区域分割算法在药板缺陷检测中的研究

目的 为解决铝塑泡罩药板图像ROI区域定位慢、精度差等问题,本文提出一种基于比例特征的泡罩区域分割算法,该算法可以快速定位并分割泡罩ROI区域,结合图像相关性特征算法对铝塑泡罩药板进行缺陷检测。方法 首先通过工业相机采集药品包装生产线上的药板原始图像,接着使用Blob分析从原始图片中分离出铝塑泡罩主体部分,然后通过仿射变换将图像放置在中心区域,并使用比例特征分割算法对泡罩区域进行分割,最后通过金字塔加速的NCC算法完成缺陷检测。结果 实验结果表明,基于比例特征分割后的图像平均NCC匹配时间为9 ms,在缺陷样本占比20%的实验中误检率为0.167%,漏检率为0.556%。结论 通过比例特征分割出精准的泡罩ROI区域结合改进的NCC算法,在拥有较高准确率的同时大幅减少了缺陷检测时图像匹配的时间,能较好地完成铝塑泡罩药板的缺陷检测任务。     

基于OCT成像的淡水无核珍珠内部缺陷自动检测方法

光学相干层析技术(OCT)作为一种高分辨率的无损光学检测手段,已被用于珍珠的内部质量检测。针对淡水无核珍珠质层内部缺陷检测的需求,提出一种通过光学相干层析图像实现淡水无核珍珠内部缺陷自动检测的方法。根据珠层灰度变化的特点,识别图像中缺陷区域的梯度特征和缺陷位置变化特征,并利用缺陷特征建立反向传播神经网络模型。实验中采集了内部无缺陷和内部有多种类型缺陷淡水无核珍珠的光学相干层析图像各20幅,对图像进行预处理并提取特征,利用K-means算法检测样本类型与所提取特征的匹配度,用特征与类型相匹配的样本特征训练反向传播神经网络模型,使用反向传播网络模型对淡水无核珍珠内部缺陷层进行分类识别。实验结果表明该方法提取特征的匹配度为92.5%,分类准确率达到100%,验证了该方法的可行性和有效性,提出的方法能够作为淡水无核珍珠内部缺陷识别和自动分类的有效手段。     

基于语义信息的场景识别方法研究

在场景识别任务中,由于场景图像类内变化大,类间相似度高,不同场景类别之间表现出相似的外观和对象分布,从而容易导致场景识别任务的失败.为解决该问题,本文提出一种基于语义分割及高效网络相结合的场景识别模型.该模型由语义分支和RGB分支两部分组成,语义分支在语义分割基础上进一步提取图像上下文信息,RGB分支采用高效网络来提取图像的全局特征,通过注意力机制将两个分支的输出特征进行融合,最终输入线性分类器以实现场景识别的预测.将提出的网络模型在ADE20K,MIT Indoor 67和SUN3973个数据集进行训练与测试,实验结果表明,提出的模型可以显著减少网络参数数量,同时提高场景识别的准确率.     

基于下采样的特征融合遥感图像语义分割

本文提出了一种基于下采样的特征融合遥感图像语义分割模型,该模型在编解码结构基础上,将高分辨率原始图像引入"下采样"模块提取低级语义特征,在此基础上,将输出的低级语义特征通过MobileNetV2和空间金字塔池化进一步提取多尺度高级语义细节特征,然后,将这些高级语义特征和直接从下采样模块提取的低级语义特征融合并进行特征图分割.最后,在"CCF卫星影像的AI分类与识别竞赛"的数据集上取得了93%的训练准确率以及91%的预测准确率.     

基于BP神经网络的火灾图像识别技术

首先针对背景复杂的火灾图像,采用差分技术、RGB颜色分割技术,得到火焰疑似区域。然后分析火焰疑似区域的特性,提取出火焰特征。最后运用BP神经网络建立火灾识别模型,将提取出的火焰特征作为输入量,对火灾图像进行分类识别。结果表明,该算法具有较高的准确率。     

卷烟包装外观缺陷数据集构建及深度学习检测技术研究

目的 为了提升烟包缺陷检测的准确率,构建卷烟包装外观缺陷识别基准数据集,并开展主流深度学习模型在卷烟包装外观缺陷智能检测中的应用研究。方法 首先,从生产运行中的ZB45型细支烟硬盒包装机组采集缺陷图像,经过人工审核与筛选后获取典型的缺陷数据。然后,根据缺陷的特征与成因,将缺陷数据划分为23个类别,并逐一进行目标检测框标注。最终,形成了包含13 000余张缺陷图像的卷烟包装外观缺陷识别基准数据集,并针对烟包缺陷识别、缺陷分类、目标检测、模型迁移4项任务开展实验。结果 结果表明,数据集能够满足高准确率深度学习模型的训练需求;通过模型迁移,能够利用该数据集大幅提高不同牌号卷烟的缺陷检测效果;DenseNet模型在烟包缺陷识别与缺陷分类任务上表现较好,准确率分别达到93.70%和95.43%,YOLOv5模型在缺陷目标检测任务上mAP@0.5值达到了96.61%。结论 该数据集能够作为烟包缺陷检测领域的基准数据集,研究成果将进一步支撑卷烟包装领域的数据应用与数字化转型。     

基于卷积神经网络模型的遥感图像分类

研究了遥感图像的分类,针对遥感图像的支持向量机(SVM)等浅层结构分类模型特征提取困难、分类精度不理想等问题,设计了一种卷积神经网络(CNN)模型,该模型包含输入层、卷积层、全连接层以及输出层,采用Soft Max分类器进行分类。选取2010年6月6日Landsat TM5富锦市遥感图像为数据源进行了分类实验,实验表明该模型采用多层卷积池化层能够有效地提取非线性、不变的地物特征,有利于图像分类和目标检测。针对所选取的影像,该模型分类精度达到94.57%,比支持向量机分类精度提高了5%,在遥感图像分类中具有更大的优势。     

基于随机森林利用差分拉曼光谱对塑料食品包装瓶的分类研究

目的 建立一种快速无损的检验塑料食品包装瓶的分析方法,提供一种快速分类模型。方法 利用差分拉曼光谱对100个塑料食品包装瓶样品进行检验,根据样品的差分拉曼特征峰可以对样品进行分类,样品可被分成聚对苯二甲酸乙二醇酯和聚丙烯两大类,对其中数目较多的第I类继续根据样品中所含填料的不同进行分类。利用贝叶斯判别、多层感知器和随机森林算法分别构建分类模型对继续分类结果进行分析验证。结果 第I类样本可继续被分为4类,贝叶斯判别结合留一交叉验证法分类正确率为71.7%,多层感知器神经网络分类模型的训练集和测试集分类正确率分别为100%和86.2%,随机森林分类模型的训练集和测试集分类正确率分别为100%和96.5%。通过比较发现,差分拉曼光谱与随机森林算法相结合可以对塑料食品包装瓶实现有效的分类。结论 该方法简单快速,样品用量少且无损样品,可为塑料食品包装品的物证鉴定提供科学依据。     

基于CNN-MSLSTM的航空发动机滑油监测方法研究

针对传统的数据特征提取方法难以提取ECT滑油监测数据有效特征的缺陷,提出了一种基于卷积神经网络(convolutional neural network,CNN)和多尺度长短期记忆(multi-scales long short-term memory,MSLSTM)神经网络的双通道网络模型CNN-MSLSTM。将多尺度学习融入LSTM中,CNN和MSLSTM作为两个通道,并行学习数据在空间维度和时间维度的特征,通过注意力机制融合,利用softmax分类器输出发动机的磨损状态。实验结果表明:3尺度的CNN-MSLSTM对ECT数据样本的分类准确率达到98%,F1评分达到98.62%,单组数据的测量时间仅为0.2036ms,总体性能优于单一的CNN和LSTM网络。     

基于孪生并行注意力网络的包装印刷品商标真伪鉴别研究

为了借助手机精确快速地鉴别微小篡改的包装印刷品商标真伪,提出孪生并行注意力卷积神经网络判别模型。通过孪生网络的共享权重机制降低网络系统的表征偏差,通过并行注意力机制提高对微小篡改变化特征的提取能力,最大程度降低打印拍照引入的噪声对篡改特征提取的影响。在2种印刷纸张、2种拍摄光源和2种拍摄手机组合的8种开放场景中,拍摄多组真伪商标的印刷图像,建立篡改面积0.4%～0.7%的商标真伪数据集。模型在该打印拍照数据集上鉴别准确率为94%以上,在真实山寨商标上的鉴别准确率为100%。本文提出的孪生并行注意力卷积神经网络模型,具有较高的细粒度鉴别精度和较强的泛化能力,能够在开放场景下有效地实现基于图像微小篡改的包装印刷品商标真伪的鉴别。     

Fuzzy relevance vector machine based classification of lung nodules in computed tomography images

Lung cancer is a critical disease with growing death rate, hence, the faster identification and treatment of lung cancer is essential. In medical image processing, the traditional methods like support vector machine, relevance vector machine for classifying cancer tissues are less sensitive to false data and required optimal improvement in classification accuracy. The proposed system of accurate lung cancer classification is obtained by a hybrid fuzzy relevance vector machine (FRVM) classifier with correlation negation ant colony optimization (CNACO) algorithm. This system provides enhanced accuracy and sensitivity by implementing two stages of feature extraction, image thresholding, and tumor segmentation, with a novel feature selection and tumor classification algorithm. The best features are selected by the proposed CNACO algorithm. The selected features are labeled and classified by FRVM classifier. The proposed classification scheme is validated on lung image database consortium and image database resource initiative public database and obtained accuracy of about 98.75%.     

基于神经网络的塑料打包带高光谱模式识别

目的 建立一种快速、准确、无损的塑料打包带的检验及分类方法。方法 利用高光谱在波长为350～990 nm的条件下采集52个不同来源的塑料打包带样品的高光谱数据,并对样品进行Savitzky-Golay平滑处理,同时结合主成分分析对样品进行降维。将提取到的主成分进行K-Means聚类,以聚类结果为依据建立径向基函数神经网络（RBFNN）与BP神经网络模型（BPNN）。结果 打包带样品的高光谱谱图在400～500 nm、600～700 nm处有较大区别。实验共提取了5个初始特征值大于1的主成分,可以解释96.633%的原始数据。通过K-means聚类将塑料打包带样品分为6类,Calinski-Harabasz指数为28.76,RBFNN分类准确率为86.7%;BPNN分类准确率为98.1%,BPNN的分类效果更好。结论 研究表明神经网络在高光谱谱图分类处理上具有较高的准确度,同时也验证了高光谱在区分检验塑料打包带类物证的可行性与科学性,为公安机关提供了一种新的检验方法。     

基于主分量分析的声信号特征提取及识别研究

主分量分析(PCA)是统计学中分析数据的一种有效方法。研究了基于这种算法对四种战场目标的声信号进行特征提取,获得了低维的特征类器对声目标进行分类,分类结果准确率较高,均获得满意的实验效果     

Classification of Fourier transform infrared microscopic imaging data of human breast cells by cluster analysis and artificial neural networks

Cluster analysis and artificial neural networks (ANNs) are applied to the automated assessment of disease state in Fourier transform infrared microscopic imaging measurements of normal and carcinomatous immortalized human breast cell lines. K-means clustering is used to implement an automated algorithm for the assignment of pixels in the image to cell and non-cell categories. Cell pixels are subsequently classified into carcinoma and normal categories through the use of a feed-forward ANN computed with the Broyden-Fletcher-Goldfarb-Shanno training algorithm. Inputs to the ANN consist of principal component scores computed from Fourier filtered absorbance data. A grid search optimization procedure is used to identify the optimal network architecture and filter frequency response. Data from three images corresponding to normal cells, carcinoma cells, and a mixture of normal and carcinoma cells are used to build and test the classification methodology. A successful classifier is developed through this work, although differences in the spectral backgrounds between the three images are observed to complicate the classification problem. The robustness of the final classifier is improved through the use of a rejection threshold procedure to prevent classification of outlying pixels.