基于改进YOLOv5的轻量级铁水罐号车号检测算法

为解决车号罐号识别中因环境恶劣、字符较小导致的准确率偏低且实时性较差等问题,提出一种基于改进YOLOv5的轻量级检测方法.首先通过二阶段检测并增加小目标检测层,进一步采用大尺寸图像输入和数据均衡方法,提升模型检测效果;其次在骨干网络的最后一层引入CA坐标注意力,并制作掩码实现感兴趣区域检测,提升复杂场景下的车号字符检测精度.最后,通过采用GhostNet模块替换骨干网络模块,使模型进一步轻量化.实验结果表明：YOLO-MGCA模型,相较于基线模型map提高了1.4%,模型精度增加了3%,模型参数量减少了40%.     

迁移学习结合难分样本挖掘的机场目标检测

为了提高遥感图像中机场检测的准确性和速度,提出一种迁移学习结合难分样本挖掘的机场检测方法．首先,舍弃以往滑动窗口加手工设计特征的方式,构造了区域卷积神经网络作为基本架构;其次,基于自然图像和机场遥感图像具有共同的低级和中级视觉特征,网络模型在自然图像上进行预训练并修改完善后,在数据有限的机场上迁移学习;然后,在样本训练中借鉴难分样本挖掘思想来提高网络的目标判别能力和训练效能;最后,使用交叉优化策略实现区域建议网络和后续检测网络的卷积层共享,大大地减少了检测时间．仿真结果表明,所提方法能在复杂背景下准确地检测出不同类型的机场,得到检测率为93.6%、虚警率为11.6%、时间为0.2s的实验结果,各项性能均优于其他对比方法．     

基于深度学习的电表字符缺陷检测方法

针对传统电表显示屏字符缺陷检测准确率和效率较低等问题,设计一种基于深度学习的电表字符缺陷分步检测方法。对相机采集的图片进行特征标注,利用电表字符区域分块算法对智能电表一次检测,实现对电表字符区域的精准分类;对裁剪后的每块区域字符进行缺陷特征标注,再利用电表字符缺陷检测算法分别对九块区域进行二次检测,解决电表字符缺陷检出率低的问题;对所提方法进行实验验证。结果表明,电表区域分块检测精度达99.9%、速度达0.6 s/张,字符缺陷检测精度达98%、速度达1.04 s/块,单个电表的检测时长为1.64 s,所提方法可满足电表实际生产中检测精度和时间的需求。     

基于改进Graph Cuts的印刷电路板CT图像分割算法

基于锥束CT的印刷电路板PCB无损检测是近年来出现的新的PCB检测手段,但是CT图像中普遍存在的金属伪影容易导致PCB图像的错误分割。为了抑制金属伪影对PCB图像分割的影响,文章提出了一种基于图割的交互式分割方法。利用受金属伪影影响的PCB图像灰度分布特点设计了新的权值函数,并进一步利用了用户输入的信息,将用户选取的种子点信息作为计算区域项权重的重要参数。通过对多组印刷电路板图像进行分割实验比较,结果表明与经典的Graph Cuts和Grabcut等算法相比,文章方法在准确性方面有明显提高。     

基于改进Graph Cuts的印刷电路板CT图像分割算法

基于锥束CT的印刷电路板(PCB)无损检测是近年来出现的新的PCB检测手段,但是CT图像中普遍存在的金属伪影容易导致PCB图像的错误分割。为了抑制金属伪影对PCB图像分割的影响,文章提出了一种基于图割的交互式分割方法。利用受金属伪影影响的PCB图像灰度分布特点设计了新的权值函数,并进一步利用了用户输入的信息,将用户选取的种子点信息作为计算区域项权重的重要参数。通过对多组印刷电路板图像进行分割实验比较,结果表明与经典的Graph Cuts和Grabcut等算法相比,文章方法在准确性方面有明显提高。     

一种高效的药瓶标签字符识别系统关键算法研究

针对药瓶标签的特点,对字符定位、字符分割、字符识别等多个环节进行了深入研究,设计了一种字符识别系统。对药瓶标签图像进行预处理,为后续药品标签上字符的定位做准备。用轮廓跟踪法定位字符所在的大致区域,采用水平投影结合图像分割方法精确定位字符区域。利用垂直投影法定位字符中的粘连块,并进一步利用滴水算法分割粘连字符。选用K-L变换对粗分类后的子类提取字符特征,选用一种自适应调节学习率和动态调整S型激励函数相结合的改进BP算法对字符进行精确识别。实验证明本系统能够快速、高效地识别出药瓶标签上的字符,有实用价值。     

分区域图像匹配在PCB缺陷光学检测中的应用

针对印刷电路板缺陷光学检测系统中图像匹配既有位置匹配又有角度匹配的问题,提出了分区域图像匹配的方法,将待测PCB和标准PCB图像分割成为M×N个子图像并分别采用改进的归一化互相关算法进行位置平移匹配,各个子图像匹配结果的综合效果对于整幅图像来说既有位置的匹配又有角度的匹配,这样就可以利用一种算法实现2种匹配的目的。实验结果表明,该方法减少了匹配的运算次数,提高了图像匹配的速度及缺陷检测系统的效率。     

基于改进MobileNetV3的PCB裸板缺陷检测

为解决传统PCB裸板缺陷检测效率低、误检率高、通用性差等问题,提出一种基于改进MobileNetV3的PCB表面缺陷检测模型。首先对PCB数据集进行预处理,然后采用多方向协调注意力代替原网络中的挤压和激励注意力模块,提升特征定位精度从而增强感受野;最后利用软池化优化MobileNetV3的末端结构,以在简化后的激活映射中保留更多的特征信息。实验结果证明,提出的模型对PCB裸板缺陷检测的平均准确率可达96.1%,图片平均检测速度为25.1 ms,能够高效识别PCB裸板的多种缺陷类型,对工业生产中PCB裸板的质量检测有实际应用价值。     

一种稳健的船舶水尺检测与识别方法

船舶水尺的检测与识别是实现精准水尺计重的关键。针对人工读取过程容易产生主观性误差以及人力成本较高等问题,提出一种基于计算机视觉的船舶水尺自动检测与识别方法。首先利用SegNet网络结合形态学操作精确定位吃水线位置,然后检测船舶的水尺区域,在水尺区域中使用轮廓检测算法定位水尺字符候选区域并通过卷积神经网络对水尺字符候选区域进行分类,最终根据水尺字符和水线的空间位置关系计算出水尺读数。在相关数据集上对所提方法进行测试,结果表明,所使用的算法在船舶水线检测中效果明显,在船舶水尺字符识别任务中识别准确率达到了94.8%。     

基于机器视觉的化妆品纸质标签缺陷检测方法

针对化妆品纸质标签生产中出现的不干胶标贴漏贴、偏移、倾斜、叠加,生产日期字符漏喷、偏移、倾斜、多喷,日期喷印错误等缺陷,提出一种化妆品纸质标签缺陷视觉检测方法。首先,利用数字形态学与连通域分析技术,从倾斜校正后的标签本体图像中分别提取不干胶标贴和日期字符区域;其次,分别提取区域重心坐标与方向角检测不干胶标贴和日期字符的位置缺陷;进而,在日期点阵字符垂直校正基础上分割字符,提取网格特征、垂直投影、投影宽度及字符占空比等字符特征,利用这些特征训练BP神经网络并实现对日期点阵字符的识别;最后,在样机上采集了大量正常及具有不同类型缺陷的化妆品标签图像,进行实验验证。实验结果表明:该算法准确率高、稳定性好,能够快速检测位置缺陷和准确识别日期字符,检测准确率可达94.4%。     

Attention Res-Unet: 一种高效阴影检测算法

图像中阴影像素的存在会导致图像内容的不确定性,对计算机视觉任务有害,因此常将阴影检测作为计算机视觉算法的预处理步骤. 提出全新的阴影检测网络结构,通过结合输入图像中包含的语义信息和像素之间的关联,提升网络性能. 使用预训练后的深层网络ResNeXt101作为特征提取前端,提取图像的语义信息,并结合U-net的设计思路,搭建网络结构,完成特征层的上采样过程. 在输出层之前使用非局部操作,为每一个像素提供全局信息,建立像素与像素之间的联系. 设计注意力生成模块和注意力融合模块,进一步提高检测准确率. 分别在SBU、UCF这2个阴影检测数据集上进行验证,实验结果表明,所提方法的目视效果及客观指标皆优于此前最优方法所得结果,在2个数据集上的平均检测错误率分别降低14.4%和14.9%.     

基于Gabor变换和LMBP神经网络的 车牌汉字字符识别

字符识别是汽车牌照自动识别系统中的关键环节,汉字字符识别是其中的难点。提出用Gabor滤波器对灰度汉字图像抽取横、竖、撇、捺的4幅能量特征图像的方法,同时对Gabor滤波器组输出值进行非线性变换,使其适应于不同亮度和低质量灰度车牌字符图像的识别,最终采用网络法提取4幅能量特征图像的特征,用改进的BP神经网络作为车牌汉字字符的识别器,提高车牌识别率。     

应用卷积神经网络的遥感图像云层自主检测

为实现遥感卫星对遥感图像的自主云层判别能力,提升目标自主识别的效率,避免云层覆盖面积较大的遥感图像丢失关键的目标信息而给后续算法处理带来不必要的计算资源浪费,提出一种基于卷积神经网络的云层自主检测方法,实现遥感图像云层的自主检测,达到了较高的检测精度.首先,根据遥感图像的特性建立卷积神经网络.然后,使用大量人工标识的遥感图像完成云层检测网络训练,使其达到预期检测精度.最后,在卫星在轨运行阶段,将所拍摄的遥感图像根据尺寸划分为若干个子图,并通过训练完成的卷积神经网络对子图是否被云层覆盖进行分类预测.综合所有子图的预测结果给出整幅遥感图像的云层覆盖占比.结果表明:以Landsat卫星遥感图像为测试对象,该方法可以实现有云层覆盖检测正确率为95.3%,无云层覆盖检测精度为97.8%,误判率为2.58%,漏判率为0.90%,综合精度为97.9%;由于使用了卷积神经网络和并行计算技术,该方法基本满足实时性需求,提高了算法的自主性与鲁棒性,为基于遥感图像的在轨实时应用奠定了基础.     

基于残差单发多框检测器模型的交通标志检测与识别

针对现有目标检测方法仅适用于大尺寸、少量特定种类交通标志的检测,且对复杂交通场景图像检测效果不佳的问题,以抗退化性能较强的ResNet101为基础网络,增加若干卷积层构建残差单发多框检测器（SSD）模型,对高分辨率的交通图像进行多尺度分块检测。为了加快检测速度,采取由粗到精的策略,省略对纯背景图像块的预测. 利用中等尺度图像块的初检结果缩小目标范围;对目标范围内的其他图像块进行检测;将所有图像块结果映射回原图像,并结合非极大值抑制实现精准识别。实验结果表明,该模型在公开的交通标志数据集Tsinghua-Tencent 100K上取得了94%的总体准确率和95%的总体召回率,对多分辨率图像中不同大小和形态的交通标志都具有良好的检测能力,鲁棒性较强。     

基于深度学习的遥感影像变化检测方法

为了获得可靠的训练样本及提高遥感影像变化检测的精度,提出基于深度学习的遥感影像变化检测方法. 采用结构相似性方法（SSIM）选取纹理特征（灰度共生矩阵法）,通过融合变化向量分析（CVA）方法获取不同时相遥感影像差异图（DI）及纹理特征差异图获得差异影像,并采用构造的变分去噪模型对差异影像进行去噪. 利用频域显著性方法获取去噪差异影像的显著性图,通过模糊c-均值（FCM）算法对粗变化检测图（对显著性图选取阈值获得的）进行预分类（变化类、未变化类及未确定类）. 将从遥感影像上提取的变化像素和未变化像素的邻域特征引入深度神经网络模型进行训练,并利用训练好的深度神经网络模型对差异影像进行变化检测,得到最终的变化检测图. 对3组遥感影像数据集进行变化检测实验,结果表明本研究方法的变化检测精度高于其他比较方法.     

联合多尺度与注意力机制的遥感图像目标检测

遥感图像存在背景复杂、目标尺度差异大且密集分布等不足,为提高现有算法的检测效果提出联合多尺度与注意力机制的遥感图像目标检测算法. 改进空洞空间金字塔池化模块,增大不同尺寸图像的感受野;提出注意力模块用于学习特征图通道信息和空间位置信息,提升算法对复杂背景下遥感图像目标区域的特征提取能力;引入加权双向特征金字塔网络结构与主干网结合来增进多层次特征的融合;使用基于距离的非极大值抑制方法进行后处理,改善检测框易重叠的问题. 在DIOR和NWPUVHR-10数据集上的实验结果表明：所提算法的平均精度均值mAP分别达到71.6%和91.6%,相比于主流的YOLOv5s算法分别提升了2.9%和1.5%. 所提算法对复杂遥感图像取得了更好的检测效果.     

一种改进DeeplabV3网络的烟雾分割算法

由于现有的烟雾检测方法大多依靠手工选取特征,往往不能准确地分割出视频图像中的烟雾区域。基于此,提出了改进的DeeplabV3烟雾分割算法。改进的算法在基础编码器网络后添加了特征细化模块来削弱空洞卷积带来的网格效应;针对烟雾这类尺度和姿态多变的非刚性目标,在带有空洞卷积的空间金字塔模块中引入可变形卷积来更好地学习烟雾的形变;为了进一步恢复烟雾的空间细节,提出了通道注意力解码器模块。在烟雾图片数据集的测试下,改进后的模型平均每张图片的预测时间约达到71.73ms,平均像素精确度约达到97.78%,平均交并比约达到91.21%,精度与DeeplabV3模型相比分别提高了0.56%及2.17%,更加适用于烟雾分割。公开的烟雾视频测试结果表明,该模型的检测率高于现有的视频烟雾检测算法,具有一定的实用价值。     

基于多尺度条件生成对抗网络血细胞图像分类检测方法

针对血细胞图像中白细胞样本较少和生成细胞图像细节不清晰,导致检测精度较低的问题,提出基于多尺度鉴别器的条件生成对抗网络. 该网络通过生成并添加大量逼真的白细胞图像到分类检测网络训练集的方式,实现对血细胞图像的生成和分类检测. 在现有条件生成对抗网络真假鉴别器中,引入多尺度卷积核、池化域并在通道上拼接,提升鉴别器对微观细节纹理特征和宏观几何特征的鉴别能力;引入梯度相似性损失函数,以提高生成细胞图像的亮度及边缘清晰度,提升图像的真实感. 实验证明,在图像生成阶段,增加多尺度鉴别器和梯度相似性损失函数提高了生成细胞图像的质量;在图像分类检测阶段,对比仅有真实数据训练的情况,增加细胞样本多样性使细胞分类检测的平均精度由90.4%提升至94.7%.     

基于小波分析和BP神经网络的图像特征提取

提出一种基于小波分析与神经网络复合模型的图像特征提取方法.利用二维离散小波变换对图像信号进行滤波和边缘提取,作为图像的输入量供BP网络识别分析.构建了3层BP神经网络模型对图像特征进行识别,采用模糊加权算子的模糊化分层,特征提取模板提取图像中的不同特征,输出层采用均方差权值输出.通过对由50幅图像组成的训练集合进行训练和实验验证,结果表明,本方法的分辩误差率在4%以内.     

采用渐进式网络的弱监督显著性目标检测算法

弱监督显著性目标检测中常存在目标错检、区域检测不全和目标边界不清晰等问题。针对上述问题,提出了一种基于渐进式网络的弱监督显著性目标检测算法,将显著性目标检测分为目标定位、显著性区域完善和目标边界细化3个子任务分阶段完成。首先,将输入图像采样为3个不同尺度的图像,分别输入渐进式网络的3个阶段进行学习;其次,在目标定位阶段设计了嵌套位移多层感知机,平衡网络的全局信息与局部信息的提取能力,以更好地定位显著性目标;最后,根据显著性图的结构不受尺度变化影响的特点,设计了异尺度自监督模块和目标一致性损失函数来构建自监督机制,使网络能够输出区域完整、边界清晰的显著性图。在5个数据集上测试所提算法,其客观指标与主观评价都优于最近的弱监督算法,且在F值指标上可以达到相关全监督算法89%的性能。实验结果表明,所提算法能生成显著性区域更完整、显著性目标边界更锐利的显著性图,且具有良好的鲁棒性。