一种基于机器视觉的表面缺陷快速检测方法

实际生产过程中,产品表面会不同程度地留下污渍和印记,这对基于机器视觉的表面缺陷识别带来严重干扰.基于图案统计分析的识别方法速度虽快,但抗干扰能力弱,出现较高的误判率.基于深度学习的人工智能识别方法计算量巨大,速度慢,难以满足生产实际的高速要求.因此介绍一种改进SIFT算法,并给出了相关参数的设置方法和经验公式,通过实际表面缺陷的检测,对比验证了SIFT算法较强的鲁棒性和抗干扰能力,以及相关参数设置方法的正确性和可行性.实验数据表明,SIFT算法在凹陷类和斑点类缺陷的检出率上具有明显优越性,在裂纹类的误检率上也具有较大优势.特别是在有噪声图像干扰情况下,检出率比神经网络提升了20％,误检率降低了3％.     

基于拼接缝自适应消除和全景图矫直的快速图像拼接算法

针对图像拼接存在色差过渡不均匀、图像倾斜扭曲及拼接效率低的现象，提出一种基于拼接缝自适应消除和全景图矫直的快速图像拼接算法。首先，用尺度不变特征变换（SIFT）提取图像指定区域特征点并用双向K近邻（KNN）算法进行图像配准，有效提高算法效率；其次，利用动态规划思想提出自适应公式找到最优拼接缝并用图像融合算法对其自适应消除，解决拼接缝色差过渡不均匀问题；最后，针对累积拼接误差形成全景图倾斜的现象，利用边缘检测算法提出自适应拟合四边形矫直模型，把原始全景图矫直为一个全新的全景图。所提算法与分块图像拼接和二叉树图像拼接算法相比，图像质量提升了5.84%~7.83%，拼接时间仅为原来的50%~70%。实验结果表明，该算法不仅通过自适应更新机制减少不同图像背景下拼接缝色差过渡不均匀的现象，从而提高了图像质量；而且提高了拼接效率，降低了全景图倾斜扭曲程度。     

基于高光谱图像的改进SIFT特征提取与匹配

针对尺度不变特征变换(SIFT)算法所提取图像特征点数量少、误匹率高的问题,提出了一种基于高光谱图像的改进SIFT算法。首先,依据传统SIFT算法中高斯金字塔的构造思想,结合在不同波段下的高光谱图像具有相同宏观特征的特点,首次用高光谱图像作为原始算法中经高斯变换产生的图像,使得检测到的具有实际意义的特征点数量大幅增加;其次,传统SIFT算法以及大量的改进方法都只通过目标象元邻域范围内的像素信息来构造特征描述符,而忽略了像素点的位置信息,文中将目标象元的位置信息纳入了特征描述符,在特征描述符的匹配阶段,在利用邻域范围内的像素信息进行粗匹配之后,利用特征描述符中的位置信息进行精细匹配。仿真实验结果表明在限定最优值与次优值之比的情况下,采用高光谱图像构造高斯金字塔的方式能显著增加特征点的提取数量,更多地挖掘出图像中的极值点;在特征描述符中加入目标象元的位置信息作为特征点匹配第二阶段的判断依据,正确匹配数量达到原方法的59倍以上,极大提升了算法的匹配性能。     

基于超短期功率预测的配电网调度模型

提出了一种基于超短期风电功率预测的滚动配电调度模型。在配电调度过程中，模型不仅可以同时修正传统机组的功率输出，还可以修正风力发电的功率。利用二阶马尔可夫（Markov）链模型对风电预测误差状态（WPPES）进行修正，并更新剩余时段的风电风力发电预测结果。该模型考虑了多时段功率平衡、机组输出调节、上旋备用和下旋备用的约束条件，并结合素数对偶仿射尺度内点法进行求解。最后的仿真验证了该方法的经济性和有效性。     

基于单目视觉的叶轮零件三维重构方法研究

针对高像素图像合成模型运算量大、图像标定过程复杂等问题,对图像预处理、图像信息提取和匹配等方面进行了研究,提出了一定角度的序列图像重构模型方法。基于单目视觉重建原理,利用SIFT算法提取、匹配图像的特征点集,对基本矩阵进行了奇异值分解,得到了摄像机矩阵;引入了绝对对偶二次曲面的自标定算法,用于自动建立物体坐标系,依据反向投影原理恢复了模型;搭建了叶轮零件的三维重构实验平台,进行了网格模型重构实验。研究结果表明:所提出的方法能将零件的三维模型准确重构,实现高精度、高效率的自动化三维逆向建模;提供了一种可靠的模型获取方式,可为3D打印加工提供上游技术支持。     

选择困难症患者的赛跑——善领车载空气净化器AC710和AC711体验报告

家,汽车,公司,汽车,家,这是现代人最普通的生活,从中我们可以看到,汽车是出现频率比较高的一个空间,也就是我们待在汽车的时间比较长。但是相对家和公司,车内的空气质量是最差的,也是最需要改善的。现在市面上出现了很多车载空气净化器,体积有大有小,净化效果也各不相同,要怎样选择好用的车载空气净化器,选大还是选小？这就需要车主们自己判断了。这期本刊收到了善领寄过来的两款车载空气净化器,同样是善领出品,车主们要怎样选择呢？     

基于不变矩和神经网络的抽油机井故障诊断

不变矩具有平移、旋转、比例不变的特征,已经广泛应用于图形识别。将图形的不变矩作为识别特征,通过提取泵示功图的7个不变矩特征、对不变矩特征进行修正以及进行不变矩特征向量的标准化,然后利用改进算法的BP神经网络作为分类器,进行有杆泵故障诊断。利用9种常见故障泵示功图作为神经网络的训练样本,训练后的网络对实测示功图进行诊断,诊断结果和实测有杆泵故障诊断结果相吻合。     

基于Gaussian-Hermite矩的旋转运动模糊不变量

目的 模糊图像的分析与识别是图像分析与识别领域的重要方向。有些图像形成过程中成像系统与物体之间存在相对旋转运动,如因导弹高速自旋转造成的制导图像的旋转运动模糊。大多数对于这类图像的识别都需要先对模糊图像进行“去模糊”的预处理,且该类方法存在计算时间复杂度较高及不适定的问题。对此,提出一种直接提取旋转运动模糊图像中的不变特征,用于旋转运动模糊图像目标检索和识别。方法 本文以旋转运动模糊的退化模型为出发点,提出了旋转运动模糊Gaussian-Hermite (GH)矩,构造了一组由5个对旋转变换和旋转运动模糊保持不变性的GH矩不变量组成的特征向量(rotational motion blur Gaussian-Hermite moment invariants,RMB_GHMI-5),可从旋转变换和旋转运动模糊的图像中直接进行目标检索和识别,无需前置复杂的“去模糊”预处理过程。结果 在USC-SIPI (University of Southern California — Signal and Image Processing Institute)数据集上进行不变性实验,对原图进行不同程度的旋转变换叠加旋转运动模糊处理,证明RMB_GHMI-5对于旋转变换和旋转运动模糊具有良好的稳定性和不变性。在两个数据集上与同类4种方法进行图像检索实验比较,在80%召回率下,本文方法维数更少,相比性能第2的特征向量,在Flavia数据集中,高斯噪声、椒盐噪声、泊松噪声和乘性噪声干扰下的准确率分别提高25.89%、39.95%、22.79%和35.80%;在Butterfly Image数据集中,高斯噪声、椒盐噪声、泊松噪声和乘性噪声干扰下的准确率分别提高4.79、7.63%、5.65%和18.31%。同时,在上述8个测试数据集中进行对比实验以验证融合算法的有效性,结果表明本文提出的GH矩和几何矩相融合算法显著改善了图像检索效果。结论 本文提出的RMB_GHMI-5特征向量在旋转变换和旋转运动模糊下具有良好的不变性与稳定性,在图像检索抗噪性能方面表现优异。相比同类方法,本文方法更具实际应用价值。