基于图像匹配和小波神经网络的RFID标签三维位置坐标测量法

针对现代智慧仓储物流中货物的出入库信息采集与货物盘点的需求,提出一种基于图像匹配和小波神经网络的RFID多标签网络三维分布结构坐标测量新方法。首先,利用垂直和水平双CCD系统从不同角度获取RFID多标签网络的图像;随后,利用小波阈值去噪的方法对图像中的噪声进行去除,利用模板匹配算法获取各标签的三维坐标;最后,基于小波神经网络建立了RFID多标签网络三维坐标分布与对应识读距离之间的非线性关系模型。利用实验获取的数据,对模型进行验证,实验结果表明,该模型平均预测相对误差小于0.0131,可为现场测试环境下实时预测多标签最优三维几何分布提供参考。     

基于SFM与深度学习融合的水果体积测量算法

以生活常见的水果作为研究对象，结合SFM对图像序列的深度估计以及神经网络重建三维结构的优点，提出SFM算法融合深度学习三维重建的水果体积测量算法。对单目相机采集的水果多视角图像进行研究，分析图像重建以及估计大小的方法，搭建快速、便捷估计水果实际体积算法框架。使用神经网络快速推理水果结构，解决三维重建构建稠密点云耗时长的缺点，利用多视角图像获取稀疏点云，估计目标尺寸，提高采样的便利性。实验结果表明，该算法能快速重建水果三维模型，实现简单、快速、较精确的水果体积测量。     

采用跳层卷积神经网络的RGB-D图像显著性检测

RGB-D图像显著性检测旨在提取三维图像中的显著目标.为解决当前显著性检测算法难以检测出光线干扰场景内的目标和低对比度的目标等问题,提出了基于跳层卷积神经网络的RGB-D图像显著性检测方法.利用VGG网络分离出RGB图像和深度图像的浅层与深层特征,而后进行特征提取;以跳层结构为基础连接提取到的特征,实现融合深度、颜色、...     

基于小波神经网络的图像重构训练算法研究与实现

针对传统的图像重构算法的不足，提出一种基于小波神经网络的图像重建快速学习算法，运用小波神经网络对图像重构进行了仿真研究，实验表明，对于不同的误差模型，小波神经网络采用不同的基函数可以很好地对非线性系统进行逼近，收敛速度快，近似精度高，而且网络规模也较小，计算量少，对计算机视觉和图像处理具有良好的应用价值。     

基于深度置信网络的目标识别方法

针对合成孔径雷达图像预处理鲁棒性不足、特征提取及利用不充分等问题,提出了一种基于深度置信网络的合成孔径雷达(SAR)图像目标自动识别算法。首先提出一种基于双树复小波变换（DT-CWT）的非局部均值图像降斑算法,并结合目标方位角估计实现对原始数据鲁棒的预处理;最后,引入多层深度置信网络提取针对合成孔径雷达目标的深度抽象视觉信息作为特征并完成识别任务。采用3类运动与静止目标的获取与识别(MSTAR)实测数据进行的仿真实验结果表明,所提算法具有较高鲁棒性和识别率。     

基于小波和自学习神经网络的图像分割*

提出了一种新颖的基于小波神经网络构架的FLIR图像分割技术,旨在将小波变换的时—频局域特性与神经网络的自学习能力相结合,从而使FLIR图像的分割算法具有较强的逼近和容错能力。该算法在FLIR―ATR系统中得到应用,对于FLIR目标图像轮廓的提取和抑制杂散背景方面获得了良好的效果。     

基于多模态多级特征聚合网络的光场显著性目标检测

现有基于深度学习的显著性检测算法主要针对二维RGB图像设计,未能利用场景图像的三维视觉信息,而当前光场显著性检测方法则多数基于手工设计,特征表示能力不足,导致上述方法在各种挑战性自然场景图像上的检测效果不理想。提出一种基于卷积神经网络的多模态多级特征精炼与融合网络算法,利用光场图像丰富的视觉信息,实现面向四维光场图像的精准显著性检测。为充分挖掘三维视觉信息,设计2个并行的子网络分别处理全聚焦图像和深度图像。在此基础上,构建跨模态特征聚合模块实现对全聚焦图像、焦堆栈序列和深度图3个模态的跨模态多级视觉特征聚合,以更有效地突出场景中的显著性目标对象。在DUTLF-FS和HFUT-Lytro光场基准数据集上进行实验对比,结果表明,该算法在5个权威评估度量指标上均优于MOLF、AFNet、DMRA等主流显著性目标检测算法。     

基于双树小波和神经网络的图像降噪与增强

为提高在图像降噪过程中对图像细节信息的保护能力,提出一种基于双树小波和神经网络的图像降噪与增强算法.通过Canny算子检测图像的边缘,通过shearlet变换将噪声图像分解为高频子带和低频子带;使用卷积网络保留边缘区域,通过两层剪切波滤波器组对非边缘区域进行降噪,通过神经网络对总体图像进行增强.实验结果表明,该算法可以实现较高的降噪性能,有效地提高图像的质量.     

基于小波神经网络的医学图像分类方法

为了提高乳腺癌早期诊断的准确率,将小波理论与神经网络理论相结合提出改进的小波神经网络算法。将经过预处理的医学图像提取特征值,然后利用基于改进的小波神经网络算法的分类器对医学图像进行分类。通过实验表明此分类器具有较高的分类精度,是有效和可行的;与单独使用后向传播神经网络算法相比分类效果也得到了改善。     

小波神经网络在滚动轴承故障诊断中的应用

结合小波变换和神经网络的优势给出小波神经网络的结构模型,研究了小波神经网络的学习算法;针对传统算法收敛速度慢等问题,从学习率和引入动量项两个方面对算法进行改进。应用小波网络对滚动轴承的典型故障进行实例诊断。以7216圆锥轴承在实验台上所测取的数据进行网络训练。用振动信号为网络输入向量,给出训练结果。仿真实例表明,采用小波神经网络能够很好地对故障进行分类,其收敛速度明显要快于相同条件BP神经网络,有效地实现了滚动轴承的故障诊断。     

未知光源位置环境中物体形状恢复的神经网络方法研究

用神经网络方法解决未知光源位置环境中物体三维形状恢复的问题.对漫反射表 面,用神经网络方法由已知表面形状物体及其对应图像的灰度值进行学习,所得权值可视为 环境光源参数.由此可恢复同样光源环境中其它物体的三维形状.实验证明,神经网络方法可 以解决未知光源位置环境(包括多个光源)中漫反射表面物体的三维形状恢复问题.     

A neural network based approach for measurement dynamics compensation

In this article a task-oriented neural network (NN) solution is proposed for the problem of article recovering real process outputs from available distorted measurements. It is shown that a neural network can be used as approximator of inverted first-order measurement dynamics with and without time delay. The trained NN is connected in series with the sensor, resulting in an identity mapping between the inputs and the outputs of the composed system. In this way the network acts as a software mechanism to compensate for the existing dynamics of the whole measurement system and recover the actual process output. For those cases where changes in the measurement system occur, a multiple concurrent-NN recovering scheme is proposed. This requires a periodical path-finding calibration to be performed. A procedure for such a calibration purpose has also been developed, implemented, and tested. It is shown that it brings adequate robustness to the overall compensation scheme. Results showing the performance of both the NN compensator and the calibration procedure are presented for closed loop system operation.     

基于三线结构光的相机平面标定方法研究

相机标定技术是结构光三维视觉测量的关键技术之一,结构光测量系统的相机标定的精度对三维测量的精度有很大影响;首先对三线结构光系统图的相机标定方法进行了分析,简单介绍了工业相机成像的几何模型及标定的原理;其次利用Harris角点检测方法提取特征点坐标,并选用了BP神经网络来校正工业相机的畸变模型,以提高标定算法的优化速度和标定精度;最后采用张正友的平面标定法对校正后的摄像机模型进行标定实验,由实验结果知,该方法具有一定的准确性和有效性,在一定误差范围内,基于神经网络畸变校正的张正友相机标定能够有效提高视觉检测的精度。     

基于神经网络的智能传感器的数据处理

为提高智能传感器的测量准确度,利用神经网络良好的非线性映射能力,对传感器的标定数据进行输入-输出特性的反非线性逼近,同时,利用传感器实验数据进行神经网络的训练。结果表明:与传统的数据处理方法相比较,利用神经网络进行的传感器数据处理,能使传感器的准确度由±6.67提高到到±0.98。     

摄像机标定系统的设计与实现

系统采用的是直接标定摄像机内部参数的算法，算法借助于标定参照物直接计算摄像机的内参数。整个系统是在VC++环境下设计并实现的，并借助了IPL和OpenCV的帮助，只要输入标定物的图像，系统就可以迅速而又准确地输出摄像机内参数的结果。通过3D重构实验证明了该系统的有效性。相对于MATLAB实现方式，该系统使用更加方便、快捷。     

基于深度学习的运动目标交接算法

针对多摄像机非重叠视域下存在的运动目标不连续性和不确定性的问题, 提出一种基于深度学习的运动行人目标的交接算法. 首先基于深度卷积神经网络构建人脸特征提取模型, 对人脸特征提取模型进行训练, 获得精确的人脸特征. 然后比较两种常用的相似度度量方法, 选择其中一种更适合的相似度度量方法, 以完成最优的人脸匹配过程, 提高人脸匹配的准确率. 最后通过对不同摄像机下的人脸进行特征匹配找到最匹配的人脸, 实现运动目标的交接. 实验表明, 深度神经网络可以减少运动目标丢失的概率, 准确地提取到运动目标的人脸特征, 有效完成多摄像机下运动目标的交接跟踪任务.     

大视场双目立体视觉的摄像机标定

针对大视场视觉测量应用,在分析摄像机成像模型的基础上,设计制作了可自由转动的十字靶标,实现了大视场双目视觉摄像机的精确标定。将十字靶标在测量空间内多次均匀摆放,两摄像机同步拍摄多幅靶标图像。由本质矩阵得到摄像机参数的初始值,采用自检校光束法平差得到摄像机参数的最优解。该方法不要求特征点共面,仅需要知道特征点之间的物理距离,降低了靶标制作难度。采用TN3DOMS．S进行了实测,在1500mm×1500mm的测量范围内测试标准标杆,误差均方值为0．06mm。     

用于DNA计算的微流控制系统研究进展

分析了应用于生物工程目的微机电系统——微流控制系统在DNA计算机研究中的相关进展。从对DNA及蛋白质分子的操控及检测两个方面介绍了微流控制系统的研究进展，论述了微流控制系统向复杂化、空间结构三维化的发展方向。分析了国内外对显微结构下目标三维检测的最新研究进展，针对DNA计算中的输入输出问题给出了微流控制解决方案。     

基于神经网络的反馈校正方法研究

在预测控制当中,往往需要取得精度尽可能高的预测模型,但由于实际被控对象中往往存在着非线性、参数时变、模型失配、外界干扰等因素,基于被控对象的模型预测与对象的实际输出必然存在着较大的误差.本文在提高模型预测精度的同时,在神经网络模型预测的基础上,采用基于神经网络的反馈校正来弥补神经网络模型预测的不足,并验证其较常规反馈校正有更好的校正质量.     

Camera calibration and three-dimensional world reconstruction of stereo-vision using neural networks

Stereo-pair images obtained from two cameras can be used to compute three-dimensional (3D) world coordinates of a point using triangulation. However, to apply this method, camera calibration parameters for each camera need to be experimentally obtained. Camera calibration is a rigorous experimental procedure in which typically 12 parameters are to be evaluated for each camera. The general camera model is often such that the system becomes nonlinear and requires good initial estimates to converge to a solution. We propose that, for stereo vision applications in which real-world coordinates are to be evaluated, artificial neural networks be used to train the system such that the need for camera calibration is eliminated. The training set for our neural network consists of a variety of stereo-pair images and corresponding 3D world coordinates. We present the results obtained on our prototype mobile robot that employs two cameras as its sole sensors and navigates through simple regular obstacles in a high-contrast environment. We observe that the percentage errors obtained from our set-up are comparable with those obtained through standard camera calibration techniques and that the system is accurate enough for most machine-vision applications.