基于推理注意力机制的二阶段网络图像修复

现有的图像修复方法在处理大面积缺失或高度纹理化的图像时，通常会产生扭曲的结构或与周围区域不一致的模糊纹理，无法重建合理的图像结构。为此，提出了一种基于推理注意力机制的二阶段网络图像修复方法。首先通过边缘生成网络生成合理的幻觉边缘信息，然后在图像补全网络完成图像的重建工作。为了进一步生成视觉效果更逼真的图像，提高图像修复的精确度，在图像补全网络采用推理注意力机制，有效控制了生成特征的不一致性，从而生成更有效的信息。所提方法在多个数据集上进行了实验验证，结果表明该图像修复方法的结构相似性指数达到了88.9%，峰值信噪比达到了25.56 dB，与现有的图像修复方法相比，该方法具有更高的图像修复精确度，生成的图像更逼真。     

基于机器视觉的轮胎表面缺陷检测系统的研究与应用

在传统的轮胎表面缺陷依靠人工检测,存在劳动强度高、受人的主观影响大以及效率低下的问题。针对这一现象,研究了一种基于机器视觉的轮胎表面缺陷3D检测系统。该系统依靠机器视觉系统获取检测轮胎的表面图像,然后创建3D模型、判定缺陷类型,最终实现实时自动预警,为轮胎生产商提供一种自动化检测方案。系统集成了先进的技术、软件和工具,配套的信息管控系统可以对轮胎型号和生产数据进行采集、存储、分析,以便在生产过程中实现更高效、更可靠的质量控制,具有较高的实际应用推广价值。     

基于图像分割技术的图像数字水印算法研究

针对数字图像水印技术,通过对闭运算得到的图像再进行开运算,使实验得到的图像区域较为完整,采用4×4的正方形结构元素,使得图像区域有更多的白色像素被置为黑色,对图像进行取反操作,能够对图像区域的非连通区域进行填充.希望能够利用精确的图像分割算法,实现对复杂版面的文档图像的有效切割,在一定程度上对图像数字水印的推广起到促进作用.     

印刷电路板缺陷检测的实际应用

电路板在我们的日常生活中非常常见,这就使得印刷电路板的缺陷检测显得尤为重要。AOI作为新兴的检测PCB板缺陷的系统,在生产实际中正在被大家熟知并且应用。相较于传统的检测方式,AOI系统比较灵活,无论是在检测时间还是系统运算上,或者是对相关技术人员的要求相较于传统方式都比较有优势,本文就AOI系统在实际中的应用展开讨论,分析并且介绍了在实际应用中的具体细则。     

浅析紫砂壶"集玉"的意境

明代文人李渔对紫砂壶的评价用一句他的诗句可以表达:"茗壶莫妙于砂,壶之精者又莫过于阳羡"。紫砂艺术是一种非常有工艺性的艺术品,紫砂技艺是中国的传统技艺,紫砂壶的材质特殊,有极高的可塑性,形式多种多样、内涵丰富多彩。紫砂艺术是非常讲究艺术形象和人文情趣的互相统一的,感受艺术之感,给人深度的共鸣,从古至今的文人雅士们都对紫砂艺术情有独钟,特别惹人喜爱。     

生物光声成像中声反射伪影抑制方法的研究进展

生物光声成像(Photoacoustic Imaging,PAI)是一种新型的无创复合功能成像方法.生物组织不均匀的声学特性会使超声波在组织界面处发生反射,导致重建图像中存在伪影和失真,降低图像质量和成像深度.文中综述了目前抑制PAI声反射伪影的主要方法,包括延迟相减法、基于杂波去相关理论的方法、短滞后空间相干法、基于深度学习的方法、光声引导聚焦超声法、基于超声平面波模型的方法和多波长激励的方法等,详细介绍各方法的原理,分析其优势和不足,并展望未来的研究趋势.     

异地搬迁大型铝电解槽技术升级改造的工程运用

近年由于铝工业产能过剩,国家对新建电解铝产能只能采取等量或限量置换,一些传统电解铝企业由于受当地的电价限制,需要将电解铝产能向有成本优势地区进行产能转移和技术升级改造,增强企业竞争力使企业扭亏为盈。本文特针对某电解铝企业异地搬迁项目对电解槽结构改造、异地运输、母线优化等进行了详细论述,为今后大量的电解槽异地搬迁项目提供参考。     

基于深度学习的秀丽隐杆线虫显微图像分割方法

利用计算机实现自动、准确的秀丽隐杆线虫(C.elegans)的各项形态学参数分析,至关重要的是从显微图像上分割出线虫体态,但由于显微镜下的图像噪声较多,线虫边缘像素与周围环境相似,而且线虫的体态具有鞭毛和其他附着物需要分离,多方面因素导致设计一个鲁棒性的C.elegans分割算法仍然面临着挑战。针对这些问题,提出了一种基于深度学习的线虫分割方法,通过训练掩模区域卷积神经网络(Mask R-CNN)学习线虫形态特征实现自动分割。首先,通过改进多级特征池化将高级语义特征与低级边缘特征融合,结合大幅度软最大损失(LMSL)损失算法改进损失计算;然后,改进非极大值抑制;最后,引入全连接融合分支等方法对分割结果进行进一步优化。实验结果表明,相比原始的Mask R-CNN,该方法平均精确率(AP)提升了4.3个百分点,平均交并比(mIOU)提升了4个百分点。表明所提出的深度学习分割方法能够有效提高分割准确率,在显微图像中更加精确地分割出线虫体。