大输液中可见异物智能在线检测系统设计

设计了基于机器视觉的智能大输液异物在线检测系统,该系统可以实现灌装后大输液瓶中杂质的检测;研究了该检测系统的基本构成,工作原理以及一些关键图像处理技术;该检测系统采用特殊的硬件检测平台,让杂质与瓶身作相对运动,再利用精密的光学成像系统获取运动异物的序列图像,最后通过图像预处理、运动目标提取、运动目标分割和图像识别与判断这四个步骤完成对异物的检测;实验表明该系统可快速的检测出大输液溶液中所含的多种杂质.准确度高,实时性强。     

大输液在线视觉检测系统的研究

针对传统灯检检测精度低,人力成本高的问题,研究了基于机器视觉的大输液中可见异物在线检测系统的关键技术。利用高速旋转装置,获取运动目标的序列图像。根据图像间的交互方差系数MV建立序列图像的背景,利用背景差分提取检测目标。综合质心迭代算法和卡尔曼滤波器实现了运动目标的跟踪,根据运动轨迹方向确定可见异物是否存在,排除气泡的干扰。实验结果表明该系统能够有效地实现大输液中可见异物的实时检测功能。     

基于视觉检测技术的微文字识别系统设计

介绍了一种基于视觉检测技术的微型汉字识别系统的设计，配合语音装置可以实现自动朗读功能；该系统通过前端的单片微型摄像头对字进行图像采集，然后由DSP处理器进行图像分析和汉字识别，最后通过语音合成芯片进行朗读。整个系统体积小，价格也能被接受，并具有多种用途。     

基于计算机视觉的手势检测识别技术

伴随着社会经济的发展,科学技术也有了一定的进步,在计算机领域的成就已经比以往先进了许多,新软件以及硬件都在不断地出现,已经遍布在人们日常生活的各方各面,给人们的生活带来了天翻地覆的改变.从开始的通过鼠标和键盘接触电脑,到现在的跟电脑进行深入交流,出现了人机交互的一种形式,这种方式被人们称为计算机视觉的手势检测识别.在本文中,主要针对手势检测识别在算法流程上进行分析,并且对其进行识别的技术进行深入分析.     

基于计算机视觉的手势检测识别技术

经过多年的发展,计算机技术已经逐渐成熟,各种新硬件、新软件层出不穷,为人们日常的生产生活带来了巨大便利,但人类在接触计算机的过程中仍然基本上只能够通过键盘、鼠标等部件,而这也在一定程度上影响了人类与计算机的深入交流.因此当前出现了一种新的人机交互方式,即基于计算机视觉的手势检测识别,本文将在此背景之下,通过简单介绍基于计算机视觉的手势检测识别的算法流程,着重围绕基于计算机视觉的手势检测识别技术进行探究.     

口腔病灶的机器视觉检测与识别

机器视觉逐渐得到广泛的关注与应用。采用机器视觉技术,根据口腔病灶的轮廓、颜色及纹理特征,来分类识别口腔疾病类型。建立了口腔病灶的机器视觉检测与识别流程,该方法应用最大类间方差阈值分割法完成图像与背景的分割;用高斯拉普拉斯算子进行病灶图像的边缘检测;用灰度共生矩阵等进行特征量提取,研究并讨论了并行处理算法,利用SVM支持向量机对口腔病灶进行检测与分类,取得了良好的效果。     

基于迁移学习的机器人视觉识别与分拣策略

针对传统工业机器人辨识复杂工件困难、识别度单一等问题，提出一种基于迁移学习的视觉识别与分拣策略。高精度工业相机拍摄到的图片经过HALCON软件图像膨胀、腐蚀等处理之后，导入Pytorch中的神经网络模型，利用迁移学习对目标进行识别分类，最终实现工业机器人智能分拣的目的。实验中，在UR5机器人平台上以形状多变的两种菇类为对象进行迁移学习，进而完成识别及分拣。实验结果表明该策略具备良好的准确性和稳定性。     

基于计算机视觉的手势检测识别技术

对以计算机视觉为基础的手势检测识别技术展开综述,回顾手势检测识别技术的发展过程,介绍该技术的研究难点和研究动态,在此基础上着重归纳以计算机视觉为基础的手势检测识别技术的主要过程,介绍手势识别的主要方法并分析该技术近年的发展趋势。     

用于多目标检测与识别的视觉系统研究

本文以人机博弈系统作为实验手段，复普通廉价的摄像机实现了视觉的检测，着重讨论了目标物体的分割与畜产品     

An integrated automatic face detection and recognition system

This paper proposes an integrated system for unconstrained face recognition in complex scenes. The scale and orientation tolerant system comprises a face detector followed by a recognizer. Given a color input image of a person, the face detector encloses the face from the complex scene within a circular boundary, and locates the position of the nose. A radial grid mapping centered on the nose is then performed to extract a feature vector within the boundary. The feature vector is input to a radial basis function neural network classifier for face identification. The proposed face detector achieved an average detection rate of 95.8% while the face recognizer achieved an average recognition rate of 97.5% on a database of 21 persons with variations in scale, orientation, natural illumination and background. The two modules were combined to form an automatic face recognition system that was evaluated in the context of a security system using a video database of 21 users and 10 intruders, acquired in an unconstrained environment. A recognition rate of 93.5% with 0% false acceptance rate was achieved.     

飞机跑道胶痕的自动识别系统设计与实现

为了减轻机场跑道除胶工作人员的劳动强度,提高除胶工作效率,文章提出了一种基于机器视觉的胶痕自动查找和识别方法,设计了基于ARM单片机控制的图像无线采集和基于PC机控制的图像接收、图像预处理和图像识别系统;文章通过分析预处理后的数据特点,确定了基于细胞神经网络算法的胶痕识别算法,然后在MATLAB仿真环境下确定了该算法的最优模型和参数,最后在Visual C++6.0环境下完成了该算法的程序编译,调试并完成了对胶痕的自动识别过程;理论仿真和程序测试的结果证明了文章提出的方法在胶痕自动识别系统中的可行性,也为机场特种设备的无人化和智能化提供了参考。     

神经网络模式识别技术在化学侦检领域的应用

介绍了神经网络技术的研究现状,特别是在化学领域的应用情况,以及反向传播人工神经网络(BP-ANN)的基本原理和算法.结合波谱解析和化学传感器阵列两个方面对神经网络模式识别技术在化学毒剂侦检领域的应用特点进行了分析.指明了ANN模式识别技术在应用中存在的问题,并对该方向今后的发展提出了建议.     

面向智能监控的行为识别

目的 为了进一步提高智能监控场景下行为识别的准确率和时间效率,提出了一种基于YOLO（you only look once：unified,real-time object detection）并结合LSTM（long short-term memory）和CNN（convolutional neural network）的人体行为识别算法LC-YOLO（LSTM and CNN based on YOLO）。方法 利用YOLO目标检测的实时性,首先对监控视频中的特定行为进行即时检测,获取目标大小、位置等信息后进行深度特征提取;然后,去除图像中无关区域的噪声数据;最后,结合LSTM建模处理时间序列,对监控视频中的行为动作序列做出最终的行为判别。结果 在公开行为识别数据集KTH和MSR中的实验表明,各行为平均识别率达到了96.6%,平均识别速度达到215 ms,本文方法在智能监控的行为识别上具有较好效果。结论 提出了一种行为识别算法,实验结果表明算法有效提高了行为识别的实时性和准确率,在实时性要求较高和场景复杂的智能监控中有较好的适应性和广泛的应用前景。     

面向灵巧操作的视觉目标识别

为了能够实现灵巧手对目标物体进行精准操作,研究了一种利用Kinect检测出目标物体,在帧差法的基础上对获取的深度进行背景相减,获取出目标物体的运动点,在此基础上利用获取的目标物体的特征采用T-S模糊逻辑判断出目标物体的方法,以BH8-280对目标物体进行抓取实验为例,在实验中,Kinect在帧差法的基础上检测出目标物体的位姿,大小,形状,以此为基础建立起T-S模糊逻辑系统,判断出目标物体的属性和类别,通过实验结果进一步说明了利用本文研究的方法显著地提高了判断物体的准确率和效率,为灵巧手的精细控制抓取奠定了基础。     

基于传感器动态检测和神经网络的气体识别

提出将气体传感器阵列动态检测与人工神经网络相结合的方法实现气体的识别。设计了用该方法进行气体检测识别的实验系统。该方法具有实验次数少、识别准确度高的优点。实验以4个金属氧化物半导体气体传感器组成的阵列为例,详细讨论了该方法的实验过程及识别结果。通过实验对甲烷、乙醇、丙酮3种气体及其混合气体进行识别,结果表明:该方法的正确识别率达到100%,具有很高的实用价值。     

Valve stiction detection through improved pattern recognition using neural networks

A non-invasive method for detecting valves suffering from stiction using multi-layer feed-forward neural networks (NN) is proposed, via a simple class-based diagnosis. The proposed Stiction Detection Network (SDN) uses a transformation of PV (process variable) and OP (controller output) operational data. Verification of the proposed SDN model’s detection accuracy is done through cross-validation with generated samples and benchmarking with various industrial loops. The industrial loop benchmark predictions of the proposed SDN method has a combined accuracy of 78% (75% in predicting stiction, and 81% for non-stiction) in predicting loop condition, matching capabilities of other established methods in accurately predicting realistic industrial loops suffering from stiction, while also being applicable to all types of oscillatory control signals.     

Using footstep-induced vibrations for occupant detection and recognition in buildings

Occupant detection and recognition support functional goals such as security, healthcare, and energy management in buildings. Typical sensing approaches, such as smartphones and cameras, undermine the privacy of building occupants and inherently affect their behavior. To overcome these drawbacks, a non-intrusive technique using floor-vibration measurements, induced by human footsteps, is outlined. Detection of human-footstep impacts is an essential step to estimate the number of occupants, recognize their identities and provide an estimate of their probable locations. Detecting the presence of occupants on a floor is challenging due to ambient noise that may mask footstep-induced floor vibrations. Also, signals from multiple occupants walking simultaneously overlap, which may lead to inaccurate event separation. Signals corresponding to events, once extracted, can be used to identify the number of occupants and their locations. Spurious events such as door closing, chair dragging and falling objects may produce vibrations similar to footstep-impacts. Signals from such spurious events have to be discarded as outliers to prevent inaccurate interpretations of floor vibrations for occupant detection. Walking styles differ among occupants due to their anatomies, walking speed, shoe type, health and mood. Thus, footstep-impact vibrations from the same person may vary significantly, which adds uncertainty and complicates occupant recognition. In this paper, efficient strategies for event-detection and event-signal extraction have been described. These strategies are based on variations in standard deviations over time of measured signals (using a moving window) that have been filtered to contain only low-frequency components. Methods described in this paper for event detection and event-signal extraction perform better than existing threshold-based methods (fewer false positives and false negatives). Support vector machine classifiers are used successfully to distinguish footsteps from other events and to determine the number of occupants on a floor. Convolutional neural networks help recognize the identity of occupants using footstep-induced floor vibrations. The utility of these strategies for footstep-event detection, occupant counting, and recognition is validated successfully using two full-scale case studies.     

基于活体检测和身份认证的人脸识别安防系统

人脸识别由于其便捷性和实用性而被广泛应用于各种门禁等场合,但容易受到多种形式的欺骗攻击（如照片攻击和视频攻击）。基于深度卷积神经网络（CNN）的活体检测虽然能够解决以上问题,但是却存在计算量大、对用户不友好以及难以部署于嵌入式系统等缺点,因此提出了一种实时的轻量级的人脸识别安全分类方法。通过将基于色彩纹理分析的人脸活体检测算法与人脸认证算法相融合,提出了一种在无需用户配合的单目摄像头场景下进行人脸活体检测和人脸验证的人脸识别算法。该算法支持实时人脸识别,具有更高的活体检测识别率与鲁棒性。为了验证该算法的性能,以CASIA-FASD和Replay-Attack作为实验的基准数据集,结果表明在活体检测中该算法的半错误率（HTER）为9.7%,等错误率（EER）为5.5%,而且在整个流程中处理1帧图像所需时间为0.12 s,验证了该算法的可行性和有效性。     

基于贝叶斯理论和统计学习的视觉显著性检测

图像处理技术依赖于高质量的视觉显著图才能获得较好的处理结果,现有的视觉显著性检测方法通常只能检测得到粗糙的视觉显著性属性图,严重影响了图像处理的最终效果。为此,提出一种采用贝叶斯理论和统计学习的视觉显著性检测方法来检测图像的视觉显著性属性。该方法基于贝叶斯理论的静态图像的自上而下的显著性和整体显著性,将自上而下的知识和由下向上的显著性进行结合针对特征整合问题,利用线性模型的加权线性组合方法和正规化神经网络相结合的非线性加权方法来研究与所有因素相关的权值参数。根据自下而上的视觉显著性模型在两个标准数据集中采用ROC曲线来进行定量评价,结果表明非线性组合效果优于线性组合。