面向珍珠分拣机器人的形状视觉检测方法

针对人工进行珍珠形状分拣效率低、精度不稳定等问题,提出基于机器视觉的珍珠形状检测方法。采用背光成像方式消除珍珠表面纹理和光泽的影响,对获取的珍珠图像进行同态滤波等预处理算法,提高图像对比度。为了解决相互接触珍珠影响珍珠轮廓提取的问题,采用分水岭算法对珍珠图像进行分割,得到了独立存在的珍珠个体,再通过连通域标记、质心算法对珍珠进行定位。根据国家标准对珍珠形状的规定,基于珍珠图像信息建立珍珠形状参数模型,对珍珠形状进行量化。实验结果表明,不同形状的珍珠样本的检测误差为0.63%,形状统计精度为100%,算法耗时24 ms。该方法可准确高效对珍珠进行分拣分级,具有一定的实用价值。     

利用人的分歧介入增强珍珠自动分拣可靠性研究

针对珍珠自动分拣应用场景,把优等珍珠分成次等品会导致严重利益损失,把有瑕疵珍珠分成上等品会造成产品质量争议和企业信誉受损;基于深度学习的人工智能技术依旧存在着难解释、鲁棒性差等缺点,导致难以实现更高精度的分拣技术;为衡量珍珠分拣准确度的现实需求和提升准确度在现有技术框架下的限制因素,研究提出了一种通过人的分歧介入提升分拣可靠性的方法;该方法引入两个独立AI系统用于珍珠分拣的预处理,然后通过二者之间的分歧引入人的介入干预,在较少的人力成本下达到了对机器算法可靠性的提升;定义了包括分歧准确指数和额外成本指数在内的性能评价指标,在公开珍珠数据集上,研究提出的方法以4.1％的额外人工成本提升了近4％的珍珠分拣精度,验证了方法的有效性.     

用于智能垃圾分拣的注意力YOLOv4算法

针对人工垃圾分拣效率低、工作环境恶劣且成本高的问题,提出了一套智能可回收垃圾分拣系统,该系统采用RGB图像作为视觉信息输入,通过目标检测算法获取垃圾在传送带上的位置坐标信息,并通过机械臂对垃圾进行分拣操作。可回收垃圾形态各异、种类繁多,为提高检测算法的泛化能力,建立了一个含36 572帧图片的可回收垃圾数据集,并基于此数据集上训练目标检测算法。基于YOLOv4提出了嵌入注意力机制的目标检测算法Attn-YOLOv4,经实验验证,Attn-YOLOv4算法的mAP比原始YOLOv4算法高0.16个百分点。在静态识别功能的基础上,提出基于多线程的目标跟踪算法实现了对运动垃圾的快速稳定跟踪,在20 mm误差范围内达到了0.945的精确度。此外,后处理模块对图像进行形态学处理并获取垃圾的世界坐标以及放置角度,供机械臂进行分拣操作。分别对目标检测和跟踪算法进行验证,在实际分拣流水线上验证并评估了该智能可回收垃圾分拣系统的可行性、精度及分拣的成功率。     

基于top-hat变换与形状特征的蛋白点检测

针对凝胶图像中蛋白质点检测存在弱蛋白质点漏检和重叠蛋白质点难分离的问题,提出了一种基于top-hat变换与形状特征的弱重叠蛋白质点检测算法。采用top-hat变换算法增强弱蛋白质点区域;采用标记控制分水岭法进行粗检测,提取蛋白质点的初始轮廓;根据蛋白质形状特征,自适应设定阈值提取蛋白质点形状标记,并利用提取的标记计算形状距离图;采用基于形状距离的分水岭方法,分离重叠蛋白质点。通过不同类型真实凝胶图像的蛋白质点检测实验,结果表明,该算法具有较高的检测精度和重叠蛋白质点分离率,而且对质量不好的凝胶图像也有较好的检测效果。     

基于YOLOv5的矿井火灾视频图像智能识别方法

针对煤矿井下光照分布不均匀造成视频图像失真,火灾识别精度低等问题,提出了一种矿井火灾视频图像智能识别方法。该方法以YOLOv5为识别模型,采用K-means算法对传统的暗通道图像去雾算法进行改进,并用改进算法对采集的火焰图像进行去雾处理,提高矿井火灾视频图像识别精度;为减少静态背景对火灾识别的影响,采用帧差法与混合高斯模型融合算法,对动态演化的火焰图像进行特征提取,并采用形态学处理算法消除图像中存在的缺口,从而得到更加完整的火焰目标图像;对火灾视频图像数据集进行标注,并输入到YOLOv5算法模型进行训练及测试。结果表明:基于YOLOv5的矿井火灾视频图像智能识别方法平均精度为92%,损失函数为0.6,比传统算法Alexnet,VGG16,Inceptionv3的平均精度分别高9.6%,13.5%,4.9%,表明该方法检测速度快、精度高,可有效提高矿井火灾识别准确率。     

带式输送机煤流量自适应检测方法

针对现有带式输送机煤流量检测方法存在检测精度易受环境影响、实现过程复杂、信息提取耗时较长等问题,提出了一种基于机器视觉的带式输送机煤流量自适应检测方法。首先,采用基于小波变换的融合算法对带式输送机运输煤料原始图像进行增强处理,并采用OTSU算法将增强图像分割为胶带图像和煤料图像;然后,对煤料图像进行空洞填充、轮廓检测和面积计算等处理,获取煤料图像面积信息;最后,采用基于数学建模的煤流量检测算法,通过计算煤料瞬时体积获得煤流量检测值。试验结果表明,该方法平均检测时间约为30ms,检测结果与电子胶带秤测量结果的误差约为5%,满足带式输送机自动调速控制系统对煤流量检测实时性和准确性的要求。     

改进PROSAC算法的并联机器人末端位姿检测方法

为解决双目视觉末端位姿检测中光照、噪声干扰等外部因素造成的检测精度降低问题,提出一种改进PROSAC (Progressive Sample Consensus)算法的水果分拣并联机器人双目视觉末端位姿检测方法。基于ORB算法进行特征提取和立体匹配;采用改进的PROSAC算法对立体匹配进行提纯,该改进通过穿插取点和预检验候选模型克服PROSAC算法存在的模型参数估计精度不高和验证错误候选模型耗时问题;将提纯后的匹配点对代入双目视觉模型求出末端位姿。实验结果表明,与未改进PROSAC算法的末端位姿检测方法相比,改进PROSAC算法的并联机器人末端位姿检测方法,其位姿各分量x、y、z、γ的误差平均绝对值分别降低了53.9%、65.5%、66.9%、47%,误差标准差分别降低了53.2%、67%、66.6%、56.6%,验证了所提出方法的有效性。     

基于机器视觉的珍珠图像采集及缺陷检测

针对珍珠表面图像采集和缺陷检测中存在的特殊问题,采用穹顶形散射光源以减小珍珠的光斑效应并提高图像质量,设计了珍珠自由落体状态下准同步方式的多幅图像获取方案,提出了用基于距离变换的自适应非线性滤波器来增强缺陷区域的对比度,对增强后的图像通过区域生长提取可疑缺陷区域,在光斑及光晕的空间分布模型上利用形态学方法去除了光斑－光晕区域,最后提取出缺陷的纹理特征、几何形状等特征参数。实验表明,该方案和算法能有效地实现珍珠表面缺陷检测。     

基于改进Faster R-CNN的垃圾检测与分类方法

针对人工分拣垃圾环境差、任务繁重且分拣效率低的问题,为提高垃圾识别与分类的精确度,同时克服垃圾体积小及图像分辨率较低的难题,基于现有深度卷积神经网络模型,提出改进的Faster R-CNN目标检测模型与VGG16及ResNet50卷积神经网络相结合的方法。根据卷积网络的特性,修改Faster R-CNN网络结构,提升小目标检测任务精度,采用Soft-NMS算法替代传统的非极大值抑制算法,并对参数进行敏感分析,确定其参数范围为0.4~0.7。实验结果表明,与传统Faster R-CNN算法相比,该方法平均精确度提高8.26个百分点,综合识别率达到81.77%,且能够减少图像处理时间。     

轮廓检测的图像检索方法

在图像检索领域中,形状特征是图像的最重要视觉特征之一,利用形状特征进行检索可提高检索的准确性,但形状边界的自动提取一直是图像处理领域多年的难题。为了提高图像精度和准确性,提出一种基于轮廓检测的图像检索方法,首先用色彩聚类的方法对图像进行预处理,对有意义的聚类区域进行边缘追踪,然后采用基于Snake轮廓检测的算法完成图像分割,提取底层形状特征并用傅立叶描述子加以描述,进行相似度匹配。引入支持向量机的相关反馈算法来提高检索精度。实验结果表明了方法的有效性。     

一种新的珍珠形状匀称性检测算法

珍珠形状匀称性是衡量珍珠质量的重要指标之一。提出了一种新的珍珠形状匀称性检测算法——四象限边缘链码自相似性检测算法,是通过计算各个象限中边缘链码之间的相似度来判定珍珠形状的匀称性算法。采用四个方向的边缘算子对珍珠形状特征面进行边缘检测、融合,把已融合的珍珠边缘划分在四个象限;通过旋转、翻转方法把不同象限的珍珠边缘表示在同一象限;对表示在同一象限中的珍珠边缘进行8方向数链码编码,根据边缘链码计算出珍珠边缘的自相似性。实验显示,四象限边缘链码自相似性能够很好地描述珍珠形状匀称性,具有一定的实用价值。     

基于聚类与Hough变换的交通标志检测方法

交通标志检测是进行交通标志识别系统的关键技术,提出一种基于图像的颜色和形状进行交通标志检测的方法.首先对图像进行灰度拉伸和噪声滤出的预处理,然后利用改进的K-means聚类算法对彩色图像进行颜色分割,最后采用基于Hough变换的形状检测技术对交通标志中的特殊形状进行定位,从而实现交通标志的检测.实验结果显示,该方法在各种复杂背景条件下检测出结果的平均正确率达到93.0%,优于同条件的算法且具有较高的实时性.     

基于图像的珍珠表面细微破损检测技术

研究珍珠表面破损检测问题,提高检测的准确性。针对珍珠表面十分光滑,细微的破损时常发生,传统的图像检测或者肉眼检测很难保证珍珠表面细微破损被准确检测出来。造成检测的准确率不高的问题,为了解决这一问题,提出采用计算机视觉图像的珍珠表面细微破损检测方法。通过去除图像中的噪声和一些干扰测量的部分。采用非规则破损表面的测量方法,通过精密测量珍珠图像映射圆表面的像素缺失度,完成珍珠表面细微破损检测。实验证明,上述方案切实可行,可以达到较高的精度,取得了令人满意的效果。     

基于机器学习的刀具表面缺陷检测及分类方法

刀具在生产的过程中,由于人员、机器、环境等多方面原因,刀具的表面会出现各种缺陷,如划痕、碰撞凹坑、涂层剥落和边缘豁口;这些缺陷会严重影响刀具的质量和外观,对于刀具的缺陷检测,目前主要采用人工目检的方式,人工检测方法效率和准确率都比较低;为解决上述问题,提出一种刀具缺陷的自动化检测及分类算法;针对刀具图像的预处理,提出了一种基于双边滤波的降噪方法和基于差分的对比度增强算法;对于刀具的缺陷检测任务,提出了基于图像差分的缺陷检测算法;对于缺陷的分类任务,提出了一种基于SVM的分类算法,即通过提取缺陷区域的形状、纹理等特征来训练SVM分类器;最后对提出的缺陷检测及分类算法进行实验,结果表明算法的缺陷检出率达97.2%,分类准确率可达94.3%;算法能够很好地满足工业需求,可以替代人工实现刀具缺陷的自动化和高效率检测。     

基于超像素形状特征的图像复制粘贴篡改检测算法

针对传统图像复制粘贴篡改检测方法中划分子块的数目过大导致算法时间复杂度过高且抵抗几何变换能力较弱的问题,提出一种基于超像素形状特征的图像复制粘贴篡改检测算法.首先提出基于小波对比度自适应划分超像素的方法分割图像并提取稳定的特征点;然后提出新颖的形状编码方式提取超像素形状特征,并与特征点融合,估计可疑伪造区域;最后对可疑伪造区域进行二次超像素分割和匹配,精确定位篡改区域.实验结果表明,提出的算法具有抵抗几何变换、噪声、模糊和JPEG压缩的能力.     

基于角点及空间分布的图像检索方法

本文提出了一种利用角点特征进行图像检索的新方法,该方法利用改进后的Harris算法检测角点,在此基础上结合角点信息、质心距与非角点信息进行检索。该描述方法对形状的平移、旋转、尺度具有鲁棒性。实验结果表明,该方法能够充分利用轮廓信息正确描述形状特征,且实现简单,有效提高了检索的效率。     

ASOD: Arbitrary shape object detection

Arbitrary shape object detection, which is mostly related to computer vision and image processing, deals with detecting objects from an image. In this paper, we consider the problem of detecting arbitrary shape objects as a clustering application by decomposing images into representative data points, and then performing clustering on these points. Our method for arbitrary shape object detection is based on COMUSA which is an efficient algorithm for combining multiple clusterings. Extensive experimental evaluations on real and synthetically generated data sets demonstrate that our method is very accurate and efficient.