基于笔划的立体图像风格化

为实现双目图像的风格化渲染,提出了一套完整的基于笔划的立体图像风格化系统。首先,将笔划基于颜色梯度和深度梯度确定左视图初始笔划的位置;然后,通过求解由视差约束和位置约束构成的能量优化方程,决定笔划的控制点在左、右眼视图中的最终位置,以保持笔划在两视图中的匹配。系统可以采用不同的笔划属性,生成不同风格的立体图像风格化结果。实验结果表明,所提方法为立体图像的风格化提供了有效快捷的方法。     

葫芦烙画的艺术风格迁移与模拟

针对当前葫芦烙画模拟方法通用性有限的问题,提出了一种基于深度神经网络的艺术风格迁移和模拟方法,利用不同的数据集训练不同的网络模型,并使用训练后的模型处理不同阶段的目标图像,分别对目标图像进行语义分割、艺术风格迁移和变形融合处理,将普通的照片生成对应的葫芦烙画。实验对比分析表明,生成的葫芦烙画的色调与真实烙画极为相近,实际效果也较逼真,具有可观赏性,所提方法能够将普通照片转换成具有良好效果的葫芦烙画,可以完成葫芦烙画的艺术风格迁移与模拟任务。     

基于GA-BP神经网络的ACFM实时高精度裂纹反演算法

针对传统交流电磁场检测(ACFM)特征信号难以实现缺陷高精度实时反演的问题,在电磁耦合ACFM探头有限元模型分析的基础上,引入能量谱和相位阈值判定方法实时获取裂纹特征信号,建立裂纹实时反演实验系统并进行裂纹检测实验,基于加入遗传算法的BP神经网络(GA-BP)建立的ACFM实时高精度裂纹反演算法对实验得到的裂纹特征信号进行长度和深度的反演。结果表明:电磁耦合ACFM探头有限元模型可较好地仿真裂纹特征信号;采用能量谱和相位阈值判定方法能够实时获取裂纹特征信号;GA-BP神经网络能够实现裂纹长度和深度的反演,反演精度误差不超过10%。     

实时精密单点定位系统实现与精度分析

GNSS应用场景的多元化趋势使得用户对高精度实时定位服务的需求不断增加，以实时精密单点定位(Real-Time Precise Point Positioning, RT-PPP)为代表的高精度定位技术已成为当前卫星导航定位领域的研究热点。本文基于Visual Studio 2019平台设计了一款实时精密单点定位解算程序MGPSS,实现了RTCM数据流解码、坐标计算、结果输出、残差分析等功能。采用SSR改正信息对多个IGS观测站进行RT-PPP分析实验，结果表明，各测站NEU方向收敛至1m的平均时间为29min,最终收敛精度达厘米级，E方向精度0.043m, N方向0.032m, U方向0.066m,平面精度0.054m。     

结合稀疏表示与神经网络的医学图像融合

临床辅助诊断对医学图像视觉效果提出了较高的要求,但非下采样轮廓波变换(NSCT)分解获得的低频子带系数不具有稀疏性,不利于保持源图像的细节信息。针对上述问题,提出了一种结合稀疏表示与脉冲耦合神经网络(PCNN)的医学图像融合算法。首先,通过NSCT将源图像分解成低、高频子带系数;其次,利用K奇异值分解(K-SVD)法训练低频子带系数获取过完备字典D,利用正交匹配追踪(OMP)算法稀疏编码低频子带系数,完成低频子带稀疏系数的融合。然后,利用高频子带的空间频率激励脉冲耦合神经网络,根据点火次数选择高频子带的融合系数。最后,将融合的低、高频子带系数通过NSCT逆变换重构出融合的医学图像。实验结果表明:对于边缘信息传递因子Q~(AB/F)指标,该算法灰度和彩色图像融合结果相比于对比算法约提升了34%和10%,且融合结果综合性能优于现有算法。     

基于OpenCV的视频监控追踪系统的设计与实现

针对传统视频监控系统利用人工查看视频,效率低,浪费人力物力的问题,论文设计了一套基于Open CV人脸识别和神经网络预测目标路径的视频监控追踪系统。系统采用Qt框架,利用Qt中QLable显示视频监控信息,利用Open CV技术对视频图像进行面部特征提取与人脸特征识别,结合GIS,通过SQL Sever Data Base管理了道路、监控设备位置等空间位置信息,利用Open Gl展示了空间数据,并通过神经网络预测模型对目标的下一个途经地点进行了预测,实现了系统对监控区域的实时视频监控。测试表明,该系统能够快速高效地进行目标追踪和预测以及辅助生成围堵方案。     

基于深度学习技术的公路隧道围岩分级方法

通过深度学习技术提取公路隧道掌子面图片中的围岩分级相关信息。训练以掌子面图片和特征标签为数据集的深度卷积神经网络模型,识别围岩的节理、裂隙、破碎程度、粗糙程度、光滑程度、泥夹石和涌水等分布式特征;结合深度学习技术和岩体裂隙图像智能解译方法统计围岩节理组数和间距来描述结构面完整程度;再利用色彩模型确定岩石种类描述出岩石坚硬程度;最后将围岩分级各判别因子转换为BQ值进行分级,获得围岩分级最终结果。结果表明:深度学习模型适用于识别围岩不同形态特征,利用图像识别技术获取的围岩分级参数能够实现对公路隧道围岩等级的综合判定。该处理结果与传统BQ分级结果相吻合,验证了深度学习围岩分级的可行性和准确性。     

基于深度学习网络模型与大数据自动训练的工件缺陷识别算法研究

针对工件缺陷种类多样和特征不明显,造成机器视觉识别精度不稳定的问题,提出了一种基于深度学习网络模型与大数据自动训练的工件缺陷识别算法,并以软件工程来实现其功能。首先,对存在缺陷的工件进行取样,采集缺陷图像,建立识别标准。然后,基于深度神经网络模型和缺陷标准图像,进行模型训练,采取分批训练,逐步迭代收敛的方式,达到准确识别工件缺陷目的。最后,基于Python语言与TensorFlow框架实现深度神经网络模型,并将模型移植到C++平台调用,嵌入到商业版本软件中,实现算法的落地应用。实验测试结果显示,相对于已有的缺陷识别技术而言,本文算法具有更高的识别准确性,可为机器视觉软硬件设备提供技术基础。     

基于Matlab的小波纹理特征融合指纹识别系统

传统指纹识别通常要经过二值化、细化的过程,对指纹特征点进行特征提取,存在速度慢、效率低的弊端。本系统采用基于小波纹理特征融合的深度学习算法,并改进的神经网络算法,通过深度学习方法对指纹图像数据库进行训练,指纹图像首先采用SVM进行指纹图像导入,用Spliteachlable对图像进行分类,用Imfilter对图像进行特征提取,最后将如上特征进行矩阵,用户端采用Matlab实现,实验结果显示特征融合后的识别精度为99.95%。     

基于生成对抗网络和迁移学习的排水管道缺陷识别

城市排水设施的服役可靠性成为越来越重要的工程问题,高效率、自动化、大规模的管道缺陷智能检测是城市排水设施建设和管理的迫切需求和重要发展趋势。近年来深度学习技术发展迅速,为排水管道缺陷检测提供了新方法。然而,数据量不足和样本不均衡是深度学习模型普遍存在的问题,影响模型的泛化能力和识别鲁棒性。基于当前先进的生成对抗网络（StyleGAN）,提出了一种高质量的排水管道缺陷图像合成方法,以解决训练样本问题。进一步采用卷积神经网络算法,借助迁移学习和预训练模型（SqueezeNet网络）实现管道缺陷识别,提升模型识别效率,并对合成图像进行效果验证。结果表明,StyleGAN能高效合成高质量的缺陷图像,识别模型的平均精度达到90.0%（对树根、错口、残墙坝根和障碍物的精度分别为99.7%、92.3%、87.7%和81.7%）。借助生成对抗网络实现数据增强,为深度学习模型训练提供了一种有前景的方法,具有重要的应用意义。