织物表面导电线路喷射打印中微滴关键参数的视觉测量

针对织物表面打印导电线路中微滴的几何尺寸、速度等参数测量过程自动化程度低的问题,将视觉测量与微滴喷射技术相结合。利用高速相机对微滴喷射过程进行拍摄得到连续微滴图像。基于像素的阈值选取方法对微滴图像进行分割,得到微滴的二值图像,采用阶梯型边缘检测算法提取液滴边缘轮廓,获得单个微滴的面积、直径参数,根据面积和直径的关系计算出单个微滴的圆度参数,根据2帧微滴图像间的位移量计算出微滴的瞬时速度。实验结果表明:采用视觉测量法测得到的结果精度可达像素级,整个测量过程耗时短,可实现实时测量,为后续织物表面导电线路的精确成形提供了必要监测手段。     

织物表面微滴喷射打印沉积过程试验研究

在织物表面微滴喷射打印沉积成形微细导电线路中,明确微滴在织物表面碰撞和渗透过程是成形高质量导电线路的前提。采用试验研究的方法,在喷射系统可控喷射条件下,对微滴与织物表面的碰撞、铺展及渗透过程进行图像采集及动态过程研究。结果表明：微滴在织物基板表面的碰撞过程与固体基板类似,几乎未发生渗透现象;由于毛细压差的作用,不同织物在不同时间段内的渗透速率急剧增大,出现快速芯吸现象,且织物经纬密度越小,芯吸效果越明显;微滴在织物表面的扩散形状由织物的组织结构决定,扩散面积与织物润湿性有关,随润湿性的减弱而减小。     

织物表面导电线路喷射打印起始端凸起形成过程研究

为提高织物表面微滴喷射打印导电线路的成形质量,针对导电线路喷射打印过程中线路沉积形貌的起始端凸起现象,利用高速相机对线路成形过程进行采集,研究微滴间融合振荡过程中左右接触角的动态变化,微滴与线路融合以及液体向线路起始端的输送过程,提出线路起始端凸起的消除方案并进行实验。结果表明:在融合振荡过程中,微滴向起始端的振荡趋势始终大于向另一侧的振荡趋势,导致打印线路起始端的织物基板润湿区域不断扩大;微滴与线路接触后,其中一部分液体润湿织物基板拓展线路长度,一部分通过线路以恒定速度输送至起始端,在线路起始端形成凸起;利用抗坏血酸溶液润湿织物表面后,成形线路起始端凸起现象得到消除,整体线路路径均匀,沉积形貌良好。     

微喷印原电池置换成型织物基柔性导电线路的影响因素研究

针对目前智能纺织品中柔性导电线路制备工艺复杂、成本高、与纺织品融合度低等问题,提出了微喷印原电池置换成型织物基导电线路的制备方法。利用搭建的压电式微滴喷射系统,对沉积过程中硝酸银和抗坏血酸反应物浓度、反应物质量及原电池阳极基板的选择对成型导线微观形貌及方阻的影响进行研究。结果表明:在稳定喷射条件下,通过微喷印原电池置换沉积法可制备织物基导电线路;当硝酸银溶液、抗坏血酸溶液质量浓度分别为0.5 g/mL和0.3 g/mL、硝酸银打印层数为4层、织物与抗坏血酸溶液质量比为1∶2时,成型银导线方阻为 0.047 8 Ω/□, 标准偏差为0.009 138 Ω/□;当基板为铜时,在织物基底表面形成了均匀且致密的银层,银颗粒粒径较大,此时测得银导线方阻均值及标准偏差较小。     

基于改进的Faster R-CNN的小目标储粮害虫检测研究

针对小目标储粮害虫图像的检测问题,提出了一种基于特征金字塔网络的Faster R-CNN改进模型对图像中的小目标进行检测。本文以5种常见的储粮害虫为检测目标,样本中通过随机组合的方式混合不同种类的储粮害虫进行拍照取样,通过对原始图像数据进行目标扩充后构建了含942张储粮害虫图像的数据集（CSGP）。在改进模型的特征金字塔网络结构中,特征提取网络产生的高层特征图通过下采样方式逐步对底层特征图进行融合,生成适合多尺度目标检测的特征图。实验结果表明,采用训练集目标扩充的方式,储粮害虫图像的目标检测结果mAP提升了2.21%;改进后的模型进一步使得储粮害虫图像检测的mAP达到96.69%。最后,设计了一套粮仓内的储粮害虫监测系统。     

基于深度信念网络的织物疵点检测

为提高织物疵点检测精度和效率,提出了一种基于深度信念网络的织物疵点检测方法。用改进的受限玻尔兹曼机模型对深度信念网络进行训练,完成模型识别参数的构建。利用同态滤波方法对图像进行预处理,使疵点图像更加清晰,同时抑制了背景图像。以Python语言,基于TensorFlow框架构建深度信念网络模型,对织物疵点图像进行处理得到学习样本,确定模型激活函数后,分析了各模型参数对织物疵点检测准确率的影响规律,得到激活函数为Relu, Dropout值为0.3,预训练学习率为0.1,微调学习率为0.000 1,批训练个数为64时,模型参数值达到最优。最后,利用在无缝内衣机上采集到的各类疵点图像,对深度信念网络织物疵点检测模型进行验证。结果表明：所提出的织物疵点检测方法能够快速、有效地对织物疵点进行检测和分类识别,准确率达到98%。     

基于深度学习的织物疵点检测研究进展

为提高疵点检测的准确性和通用性,实现使用简洁而有效的形式对织物图像的特点和疵点的本质特征进行综合表达,首先,介绍了深度学习技术,对引入了深度学习的疵点检测方法进行综述,同时对深度学习与疵点检测的内在关系进行阐述;然后,分析总结了深度学习的概念及代表性的计算模型,并对引入深度学习的疵点检测方法进行归纳、总结和分类;最后,对典型的方法进行了分析,讨论了各种方法的优缺点,并对未来的研究趋势进行了展望。指出：随着深度学习的发展,探索更加通用的检测方法是推进深度学习在织物疵点检测领域应用的努力方向。     

基于改进Faster R-CNN的食品包装缺陷检测

目的：对纸质包装盒缺陷进行准确的识别与定位。方法：应用改进Faster R-CNN的网络模型自动对包装盒缺陷进行检测。对训练集图片进行数据增强并添加噪声,提升模型的训练精度和鲁棒性;将特征提取网络替换为ResNet50,并融合特征金字塔网络（FPN）,提高模型多尺度检测的能力;使用K-means++对数据集中缺陷尺度进行聚类,优化锚框方案。结果：改进后的Faster R-CNN模型在测试集上的平均准确率（AP）达到93.9%,检测速度达到8.65帧/s。结论：应用改进的Faster R-CNN模型能够有效检测出包装盒缺陷并定位,可应用于包装盒缺陷的自动检测与分拣。     

基于图像处理的车辆目标检测系统

相对于传统的车位目标识别技术,文章采用了基于图像处理的目标检测方法。实验中训练和测试的数据来自国际公开数据集PKLot,文章采用基于方向梯度直方图(HOG)和支持向量机(SVM)对正负样本集提取特征并生成模板,对待检测的图像提取出特征并与模板进行对比,最后用矩形框标识检测的车辆目标,经多次独立测试,可用车位的检测准确率在94%以上,试验过程中,测试了大约35万张车位图像,包含四个场景下的不同停车场图像,验证了设计流程的可行性。     

基于改进faster R-CNN算法的小目标车辆检测

针对faster R-CNN对远距离小目标车辆的检测效果较差的问题,文章融合特征金子塔网络(FPN)和faster RCNN,提出了反卷积反向特征融合faster R-CNN算法。首先,对faster R-CNN算法的特征提取网络进行改进,选用ResNet-101网络替换VGG网络,不仅降低了训练难度,而且有效改善梯度消失问题,将其与提出的反卷积反向特征融合结构相结合,提高对远距离小目标车辆信息的多尺度特征的提取和表达能力;然后,将网络中的ReLU激活函数改进为Mish激活函数,用整个区域的光滑曲线解决ReLU函数会丢失一部分信息的问题,以整体提高网络对车辆目标的精确度、稳定性和鲁棒性;最后,在自建的小目标车辆图像库中与faster R-CNN、YOLOv3等算法进行对比实验,综合场景下平均精度分别提高2.18%、2.98%,对于小目标车辆,平均精度分别提高5.72%、2.10%。     

基于深度学习的智能车目标检测与视觉导航

目标检测和视觉导航是无人驾驶的关键技术。传统的道线检测依赖于特征提取和检测校正,交通标志识别依赖于色彩分析和图像分割,然而道路场景的剧烈变化导致算法的鲁棒性较差。基于模拟的无人驾驶场景,本文探究深度学习模型LaneNet和YOLOv4,以完成智能车的视觉导航与目标识别。针对不同识别任务,文章采取传统视觉与深度学习结合的方式,保证算法的鲁棒性与实时性。在室内模拟场景中,智能车的无人驾驶系统能够准确实时地完成交通场景中的路线检测、交通灯识别和路线导航任务。     

基于改进Yolo v5的织物缺陷检测方法

针对纺织品表面缺陷检测算法速度低、泛化性能差及鲁棒性弱等问题,课题组提出了一种基于改进Yolo v5的织物表面缺陷检测方法。在Yolo v5骨干网络的基础上增加了卷积注意力模块,增强目标检测网络对特征图中重要信息提取并弱化无关特征;针对网络特征融合阶段特征尺度不一致造成的冲突问题,引入自适应空间特征融合的方法;在训练过程中使用迁移学习加快训练速度。实验结果表明：与未改进的Yolo v5算法相比,所提出的检测框架能够有效提高网络精度达98.8%,检测速度达83帧/s。该检测方法能满足实际工业要求。     

基于机器视觉+深度学习目标检测的皮革表面缺陷检测系统研究

针对皮革表面缺陷人工检测效率低、准确率低等问题,基于机器视觉和深度学习算法等构建了一种皮革表面缺陷检测系统.对该系统的主要框架及核心功能进行分析,以一般皮革表面光学检测系统为对象进行检测精度与检测效率对比.结果表明,基于机器视觉+深度学习的皮革表面缺陷检测系统检测精度更高,在应用初期的检测效率与一般检测系统较为接近,但随着应用时间的增长,系统检测效率优势也会逐渐显现.     

基于改进RefineDet的织物疵点检测

为了实现织物疵点的自动检测与分类,提出了一种基于改进RefineDet的疵点检测方法。首先,将VGG16改为全卷积网络对织物图像特征进行提取;其次,为了获取疵点重要的特征并抑制不必要的特征,在Anchor细化模块(Anchor refinement module, ARM)中加入了注意力机制;为了提高网络的分类性能,在传输连接块(Transfer connection block, TCB)中加入了SE模块(Squeeze and excitation, SE);最后,目标检测模块(Object detection module, ODM)将检测的结果回归到准确的目标位置,并预测疵点的类别,对疵点进行定位。结果表明：本文算法对孔、污渍、纱疵和线状4种类别织物图像的均值平均精度mAP达到了79.7%,比传统RefineDet检测方法均值平均精度提高了5.0%,具有良好的分类和定位效果。     

基于Mask R-CNN深度学习的羊绒羊毛纤维识别技术

为提高羊绒羊毛纤维定量的自动化程度,引入基于掩模区域卷积神经网络(Mask R-CNN)深度学习技术,对通过光学显微镜采集的图片进行图片处理、算法模型优化,以及学习和训练,建立起山羊绒和绵羊毛的自动识别模型.采用测试集对所建立的模型进行了验证测试,结果表明,对山羊绒和绵羊毛纤维的自动识别正确率达到95％ 以上,证实了所...     

基于深度学习的电线杆检测方法

针对复杂检测环境下的电线杆检测问题,将电线杆检测转化为图像中的目标检测,并将基于深度学习的目标检测算法应用于电线杆检测。通过构建电线杆图像数据集,进行大量实验,验证了检测系统的有效性。该检测系统是一个端到端检测系统,只需输入图像或视频帧,即能快速准确地定位图像或视频帧中电线杆的位置,并做出类别预测,其中:电线杆定位准确率高达98.77%,相同条件下检测效率高于现有实时目标检测系统,可保证电线杆定位准确。     

基于尺度-空间极值的织物起球目标检测

针对织物起球等级客观评估中的起球特征提取问题,提出了一种基于尺度-空间极值的毛球目标检测算法。首先建立各向异性高斯毛球目标模型,然后应用高斯尺度空间理论及精简的各向同性毛球目标模型,构造与该目标模型最优匹配算子近似的高斯偏导多项式作为检测算子,以其匹配能量输出作为尺度选择依据,并根据尺度-空间极值原则,定位并确定毛球目标的各向同性尺度,再基于此尺度下的局部结构张量矩阵估计各向异性高斯模型参数,最后根据该模型对毛球进行局部分割和识别。实验结果表明该算法能够较好地识别和分割毛球。     

足球比赛视频中的球员目标跟踪与检测研究

目的是探索基于边缘计算和深度学习(DL)的足球比赛视频中的球员检测和运动跟踪,从而提高不同场景下球员轨迹的检测效果。首先,基于面向梯度直方图(Histograms of Oriented Gradients)特征分析了球员目标跟踪与检测任务的基本技术;然后,将DL中的神经网络结构与目标跟踪方法相结合,改进了Faster R-CNN (FRCN)算法在检测小目标时的漏检问题。边缘计算将大量计算节点放置在靠近终端设备的位置,以满足DL对边缘设备的高计算和低延迟的要求。在分析了足球视频中的遮挡问题后,将优化算法应用于公共数据集OTB2013和包含80个运动轨迹的足球游戏数据集。经过测试,改进后的FRCN目标跟踪精度为89.1%,目标跟踪成功率为64.5%,运行帧率仍在25 fps左右。FRCN算法的高置信度也避免了模板污染。在普通场景中,FRCN算法基本不会丢失目标。在目标被遮挡的场景中,提出的FRCN算法的曲线下值面积略有减小。基于DL技术的FRCN算法可以实现足球比赛视频中球员的目标跟踪,对球员遮挡的情况具有较强的鲁棒性。将设计的目标检测算法应用到足球比赛视频中,可以更好地分析球员的技术...