汽车车身焊点质量智能检测系统设计

为提高汽车车身焊点质量的自动检测效率,研究基于机器视觉技术的自动检测系统;设计了以TMS320DM648DSP为处理器的系统硬件框图,针对传统的以局部灰度特性作为分类特征检测效果不佳的问题,提出采用具有生物视觉特性的Gabor滤波器对待测图像进行多方向和多尺度滤波,将滤波结果进行特征融合后降维的特征提取方法,将文章提取的各不同维度特征与传统方法提取的特征,分别采用支持向量机(SVM)与BP神经网络、AdaBoost分类器进行检测对比研究;实验结果表明,文章采用的SVM分类器平均检测率达97.73%,具有较好的鲁棒性。     

考虑微动机制与感受野特性的轮廓检测模型

轮廓检测是目标识别中关键的步骤之一。人类视觉系统具有快速和有效地从复杂场景中提取轮廓特征的能力,初级视觉皮层（V1区）的非经典感受野对中心神经元刺激具有抑制特性。传统模型利用该感受野特性,采用圆环形的非经典感受野模板模拟纹理抑制的距离权重,在传统模型的基础上,提出一种引入人眼微动机制的轮廓检测新模型,该模型将圆环形模板按等间隔角度生成八个子模板,由子模板中的相应角度方位区域置换数值模拟眼动机制,通过竞争获得最终抑制权重。实验结果表明,该模型较传统模型具有较高的性能评测指标,在最大程度抑制背景纹理的同时,保留了更多的真实轮廓。     

基于深度学习的轮廓检测算法:综述

轮廓检测旨在提取图像中目标与背景环境的分界线,是计算机视觉研究领域中最基本的问题之一.深度学习技术作为直接从数据中学习特征表示的有效方法,近年来启发轮廓检测领域取得了显著的突破.鉴于此,本文就基于深度学习的轮廓检测研究领域的最新发展进行总结,具体包括:轮廓检测任务中采用的卷积神经网络结构,相关训练数据构造、特征压缩、上采样、代价函数和轮廓细化等关键问题,轮廓检测实验中采用的通用数据集和性能评价指标.最后,分析了基于深度学习的轮廓检测算法的挑战和未来研究趋势,以期为该领域的后续研究提供新思路及参考.