基于双目视觉系统的列车轨道异物距离检测

在线检测列车与轨道异物问的距离并为驾驶员提供减速信息对于行车安全具有重要意义。本文提出了一种基于双目视觉系统的列车轨道异物距离检测方法。通过对在机车上架设的摄像机获得的双目图像中待测目标对应点的准确匹配,应用双目视觉系统原理,根据左右视觉图像的视差实现机车与异物间距离的计算。     

高压配电网架空线路异物远程定位方法仿真

高压配电网所处环境复杂,多架设在地势严峻、环境复杂的区域,极易附着异物。异物附着在架空线路上不仅存在短路的风险,还会影响供电效率,甚至危及配电网附近居民的安全,若不及时发现并清理将会对其平稳运营造成极大危害。针对上述问题,提出了一种基于YOLOv3改进的视觉显著性分析异物远程定位方法。该方法基于YOLOv3目标检测网络改进,首先通过分析无人机检查过程中拍摄到的视频及图片,并基于人眼感知特性计算视觉显著图像,划分图像中高压配电网的候选区域;然后通过基于颜色、形状等特性对异物进行判别并进行定位;最后使用RepVGG对模型进行优化,并通过增加网络深度和尺度来提升异物检测的精确度。实验结果表明,相比传统异物检测方法,本文提出的模型准确度提升了11%,显著地提升了异物远程定位的准确度和效率。     

安瓿制剂中的可见异物实时视觉检测系统研究

针对安瓿中可见异物的视觉检测需求,设计了基于机器视觉的安瓿制剂在线检测系统;研究了该检测系统的硬件构成和工作原理,为了从复杂的视觉图像中提取出微小的检测目标,系统运用机械方法使被测目标与背景间产生运动差异,利用精密的光学成像系统获取目标运动序列图像,通过图像灰度投影定位安瓿图像,并提出图像差分提取运动目标和粒子滤波跟踪运动目标方法来完成对异物的实时视觉检测;实验证明所研制的系统可有效地应用于安瓿制剂的可见异物在线检测。     

基于双目视觉的选煤厂用胶带输送机表面异物检测

目前所采用的选煤厂用胶带输送机表面异物检测方法在实际应用时,由于选煤厂内外因素影响,导致对于不同类别的异物识别和分类精度低。针对该问题,提出一种基于双目视觉的选煤厂用胶带输送机表面异物检测方法。设计了基于双目视觉的输送带异物检测装置,将摄像机与工业相机组合成双目视觉系统,系统采集图像后,利用中值滤波算法对图像进行去噪,获取稳定的图像信息。采用YOLOv3进行异物识别预测,计算边界框和锚框数值信息,并根据上述数值信息调整计算定位准确度,实现异物检测。实验结果表明：与传统的基于Mask＿R-CN的检测方法相比,提出的方法对胶带输送机表面异物的识别筛选准确率超过96.2%,分类准确率超过97.6%。     

图像分割在轨道异物检测中的应用

随着高速铁路建设与运营新趋势的出现,实现列车前方轨道异物的智能检测发展为必然趋势。基于机器视觉、图像处理等各项融合技术的异物检测手段应用逐渐推广,在基于图像处理方法的轨道异物检测中,进行分割后的图像是轨道异物检测和识别的关键。为验证分割算法的有效性,首先从图像分割的角度简述多种方法在轨道异物检测中的优化及应用,其次将一...     

基于线阵相机的透明胶囊漏液检测方法研究

人工检测透明胶囊是否漏液的方法耗时长、人工成本高。提出一种基于线阵相机的胶囊漏液检测方法。首先，利用线阵相机拍摄胶囊图像，成像处理后使用双边滤波方法将图像分为背景层和细节层。然后，采用自适应直方图均衡化(AHE)和Sobel operator算法，分别对分层图像进行平滑和锐化处理。最后，按权重对处理后的图像作线性融合，凸显胶囊漏液位置特征，从而确定漏液位置。试验结果表明，相比于传统人工方法，胶囊的漏液检测误差率缩小、检测效率提高，为实现透明胶囊生产线实时检测提供技术储备和数据支撑。该研究为工业、医疗、科研与安全等领域在利用电荷耦合元件线阵相机检测连续材料方面提供了有效的方法，并为图像处理中的算法融合提出了可行性建议。     

基于FPGA和SSA-SVM算法的线阵智能相机产品设计及应用研究

为提升粮食品质检测的检测准确率,提出一种基于FPGA芯片结构的线阵智能相机和SSA-SVM算法的图像品质检测系统。该相机在图像预处理部分,通过模板调整后的离散型高斯滤波算法进行图像去噪,通过两点矫正法与时延法进行图像的灰度矫正及颜色错位矫正;在图像品质分析部分,以花生图像为例,通过改进的最大类间方差法进行目标提取,然后通过SSA-SVM对粮食的颜色、纹理、轮廓等特征进行品质划分。试验表明,模板调整后的离散型高斯滤波算法具有更好的图像去噪性能,两点校正法与时延法可实现对图像灰度畸变与颜色错位的有效校正;改进的最大类间方差法具有更好的图像提取性能,SSA-SVM对花生这种粮食的品质划分准确率达到98.34%、单次划分耗时为2.747 s,具有较好的粮食品质划分性能;该线阵智能相机对不同体积的粮食都具有较高的品质检测准确率,对花生这类体积中等的粮食的品质检测准确率甚至高达98.55%,在粮食品质的自动检测中具有一定的应用价值。     

基于图像纹理的车辆检测算法

传统的视频检测方法是基于面阵图像的,其背景图像复杂,不利于目标分割和特征提取,而线阵CCD成像中背景图像相对简单,并且其帧速率远远高于面阵CCD的帧速率,从而可以实现高精度的检测,特别是车辆存在和车辆速度的检测.本文提出了适用于线阵CCD图像的车辆检测算法.其基本思想是:利用小渡变换提取路面的纹理特征,然后对采集的每线数据进行二值化,并在此基础上,逐线进行车辆分割.实验表明:该算法能有效抑制车灯和阴影对车辆分割的干扰,实现车辆的实时准确分割.     

可见光图像中的高压线缺陷自动诊断方法

研究直升机巡检系统中,基于可见光图像的电力线缺陷诊断方法。对直升机机载系统采集到的可见光图像进行实时分析,自动诊断电力线上可能存在的断股、异物附着缺陷。研究了缺陷在可见光图像中的特征,并提出了一种基于亮度和空间信息的线对象检测方法,自动识别电力线。对线对象进行分析,获取其位置、方向、宽度信息,并进行对象分类。结合缺陷特征和对象与分类信息,设计缺陷诊断流程,诊断断股及异物缺陷。实验证明,该方法对电力线检测准确,能够发现电力线存在的可疑异物和断股缺陷,成功应用于直升机巡检系统中。     

煤矿带式输送机分拣机器人异物识别与定位系统设计

机器视觉已在煤矿带式输送机分拣机器人目标检测与识别方面具有一定的理论基础,但目前煤矿带式输送机分拣机器人目标识别主要针对煤矸石识别,对造成输送带穿透、撕裂等的异物目标识别的研究较少,且在目标异物精确定位方面的研究也较少。针对上述问题,设计了一种基于机器视觉的煤矿带式输送机分拣机器人异物识别与定位系统,可对输送带上存在的不同类型和不同形状的异物进行识别与定位。采用双目视觉实时获取输送带上异物图像信息,并对图像进行预处理,基于Canny算子进行图像信息增强,通过灰度拉伸方法改进图像边缘信息,突出煤矿带式输送机上异物的边缘特征;利用形态学方法提取异物形状特征,建立异物图像特征样本库,通过图像特征匹配的方式解算出异物存在区域,实现异物类型的检测、分类与识别;在异物类型成功识别的基础上,以目标异物边缘特征值为基础,建立目标异物的感兴趣区域(ROI),构建相机、输送带与目标异物坐标转换关系,利用多目标质心快速计算方法求取目标异物质心坐标,实现对目标异物的定位。系统样机实验结果表明：煤矿带式输送机分拣机器人异物识别与定位系统异物识别率不受尺寸、材质和颜色等因素影响,能够实现输送带目标异物图像的采集、...     

彩色序列图像中移动目标定位与区域提取

提出一种基于彩色序列图像提取移动目标区域的新方法。首先采用时态差分法进行运动目标定位,对彩色序列图像进行差分;然后通过选择阈值将彩色差分图像转化为二值图像;为了克服背景扰动和摄像头抖动,采用了对称差分算法,使得运动目标的定位更为准确。最后在对称差分的基础上,通过投影提取移动目标区域,为了消除扰动造成的影响,采用了杂块去除和区域合并方法。实验结果表明所提方法能有效快速地提取出移动目标。     

基于深度生成模型的煤矿运输皮带异物检测

为了能够精准地对煤矿皮带运输机上的异物进行检出,提出了一种基于深度生成模型的皮带异物检测方法.首先,利用常规的变分自编码器(variational autoencoder,VAE)对图像进行重构,根据原始图像与重构图像之间的重构误差对图像中是否存在异物进行检出.然后,为了解决变分自编码器所生成的重构图像通常较为模糊的问...     

基于改进YOLOv2的无标定3D机械臂自主抓取方法

提出了一种多物体环境下基于改进YOLOv2的无标定3D机械臂自主抓取方法。首先为了降低深度学习算法YOLOv2检测多物体边界框重合率和3D距离计算误差,提出了一种改进的YOLOv2算法。利用此算法对图像中的目标物体进行检测识别,得到目标物体在RGB图像中的位置信息; 然后根据深度图像信息使用K-means++聚类算法快速计算目标物体到摄像机的距离,估计目标物体大小和姿态,同时检测机械手的位置信息,计算机械手到目标物体的距离; 最后根据目标物体的大小、姿态和到机械手的距离,使用PID算法控制机械手抓取物体。提出的改进YOLOv2算法获得了更精准的物体边界框,边框交集更小,提高了目标物体距离检测和大小、姿态估计的准确率。为了避免了繁杂的标定,提出无标定抓取方法,代替了基于雅克比矩阵的无标定估计方法,通用性好。实验验证了提出的系统框架能对图像中物体进行较为准确的自动分类和定位,利用Universal Robot 3机械臂能够对任意摆放的物体进行较为准确的抓取。     

基于超像素和光流引导的正射影像拼接方法

影像拼接是生成大规模数字正射影像的关键技术之一,但现有的影像拼接方法在进行多个影像拼接时存在拼接线穿过明显地物导致的鬼影现象。光流是观察者和场景间相对运动引起的影像边缘等的相对运动,其中,大光流对应影像间的变化区域,可用于检测正射影像间的明显地面区域。提出一种基于光流引导的新型影像拼接方法,通过超像素的密集光流提取影像中明显的地物信息,以避免接缝穿过明显的地面物体。采用由粗到细的接缝线优化策略,并在超像素级别上利用Dijkstra算法进行最佳拼接区域检测,从而提高接缝线检测的效率。在此基础上,结合归一化互相关成本函数在像素级别上进行拼接线的像素级优化,获得最优的接缝线。实验结果表明,该方法从主观视觉上能够生成高质量的接缝线,在保证拼接效率的情况下,SSIM质量评价指标较Dijkstra方法、图割方法以及商业软件OrthoVista得到明显提高。     

基于改进SUSAN原则的车辆检测方法

为解决汽车辅助驾驶系统中目标车辆检测的实时性和鲁棒性问题,提出一种基于单目视觉的车辆检测系统,将改进的SU—SAN(Smallest Univalue Segment Assimilating Nucleus,即最小核值相似区)算法应用到车辆边缘检测中;采用自适应双阈值法检测车底阴影。结合车道线参数动态规划车辆初始检测区域;在检测区域中,采用改进的SUSAN算法定位车辆边缘,生成车辆假设;最后根据车辆的纹理、形状和位置特征来验证车辆假设;为改善系统性能,采用Kalman滤波算法对检测到的目标进行跟踪;使用实际采集的道路图像序列对系统进行测试。实验表明,该系统能够及时准确地检测前方目标车辆。     

运用Freeman准则的直线检测算法

提出了一种简单而高效的在二值图像中检测目标物体直线边界的算法．基于Freeman提出的关于数字直线的准则和数字直线的特征,得出线段元是数字直线的组成部分这一性质．基于该性质,该算法以线段元为基本单位进行直线的构造,从而能高效、准确地检测出图像中物体边界中的直线．此外,该算法还可用于检测二值图像中物体边界的拐角．     

基于全方位视觉的多目标跟踪技术

为了快速准确地检测并跟踪多目标对象, 提出了一种基于全方位视觉的多目标对象跟踪方法. 首先采用全方位视觉传感器(ODVS)实时地采集现场360°全景视频图像;接着融合运动历史图像算法(MHI)和运动能量算法(MEI)实现了快速高效的MHoEI(Motion History or Energy Images)自动跟踪算法, 对多目标对象进行检测和跟踪;最后, 本文采用面向对象技术融合目标对象进行匹配跟踪实验结果表明本文提出的方法能较好地跟踪多目标对象, 具有鲁棒性高、运算量小、便于硬件实现、高效等优点.     

基于ButterWorth滤波和EM算法的电子布疵点检测

为了精确定位和分割电子布生产过程中产生的疵点,提出一种基于ButterWorth滤波和EM算法的电子布疵点检测方法。因电子布的背景纹理对疵点检测存在影响,首先采用ButterWorth滤波弱化图像背景纹理信息;再应用高斯混合模型对预处理后的图像进行表征,通过EM算法迭代模型的最优解,对像素进行标记;最后,根据标记结果分离背景与疵点区域,定位并分割疵点。实验结果表明,该方法既能准确定位疵点位置,又能有效保留疵点的细节信息,并且能够检测多种类型的疵点,在疵点检测方面具有一定的参考价值。     

高铁接触网异物侵入的机器视觉检测方法

接触网是沿铁路线上空架设的为电力机车供电的输电线路,接触网上附着的鸟巢等异物将对列车运行造成安全隐患。目前主要是通过人工检查的方式对接触网异物进行检测并清除,这种方式不仅成本高,效率低,往往不能及时排除安全隐患。为了对接触网异物进行及时有效的检测,同时降低人力成本,针对高铁运行环境的固定结构化特征,综合运用计算机视觉、深度学习等技术对铁路入侵异物进行实时检测。首先基于LSD直线段检测算法获取鸟巢可能出现的感兴趣区域;其次利用YOLOv3网络在ImageNet上进行训练得到一个预训练权重,并使用人工标注的数据集继续训练网络直到网络收敛;最后使用训练好的网络对感兴趣区域存在的鸟巢进行检测。实验结果表明,最终得到的平均检测精度为0.89,平均检测速度为38?f/s,可以实现对异物目标的准确实时检测。     

基于B-样条Snake模型的人体运动跟踪方法研究

提出了一种基于B-样条曲线Snake模型的新的人体运动跟踪方法.Snake算法是通过最小能量来逼近物体的轮廓.采用改进的B-样条曲线Snake模型,每一帧图像中的目标轮廓用三次样条曲线准确地表示,使Snake模型更加稳定和具有较快的收敛速度.计算相邻帧之间的差分图像,通过利用一种基于统计关系双阈值分割方法,有效地检测出图像中运动人体,初步确定目标在每帧图像中的粗略位置.把从上一帧图像中得到的目标轮廓置于该位置,作为B-样条曲线Snake算法中轮廓提取的初始值,经运算后可得到对人体目标的准确分割与跟踪.