钢轨磨耗测量系统中光带主曲线提取的研究

在基于计算机视觉的钢轨磨耗测量系统中,针对系统中的图像处理部分进行了大量实验,并根据钢轨形成的光带自身特点,提出了斜率驱动提取主曲线算法.斜率驱动主曲线算法能够有效的抑制钢轨图像的杂散光和提高目标图像的清晰度,从而消除了图像处理中出现的毛刺和图像不完整的现象.实验结果表明这种方法对钢轨图像中光带主曲线的提取有很大的改进,从而将系统测量误差控制在所要求的范围之内.     

智能钢轨磨耗检测方法的研究

在分析了目前国内外钢轨磨耗检测方法及技术特点的基础上,结合实际需求,提出了基于一字线激光图像处理的钢轨磨耗检测方法。利用一字线激光图像在磨耗钢轨上的弯曲程度检测钢轨磨耗的宽度与深度,通过屋脊形边缘检测法寻找激光图像的中心点和边缘点,并拟合直线;确定磨耗检测的特征量组,利用特征量间的相关系数,去除冗余特征,选择最优特征组合。实验测试结果表明,该方法能够有效提取特征量值,并准确计算钢轨磨耗的宽度和深度值,具有计算信息量小、算法简便、精度高的特点,为钢轨磨耗检测装置的开发奠定了基础。     

钢轨表面缺陷检测的图像预处理改进算法

由于线阵相机拍摄的图像光照不均、对比度低,使得钢轨表面离散缺陷检测成为机器视觉检测的难点,为此提出局部非线性对比度增强法和改进最大熵阈值分割法对钢轨图像进行预处理.该算法将局部区域内相对较低的灰度级映射到更低的范围,相对较高的灰度级映射到更高的范围,实现对比度拉伸;通过分析图像的目标熵、背景熵、灰度概率分布曲线,使用图像目标熵最大、目标概率较小的改进最大熵阈值分割法对图像进行分割,得到包含噪声相对较少的图像.实验结果表明,文中提出的非线性对比度图像增强算法简单、快速、有效,而且增强效果与光照无关;与原始的最大熵、目标最大熵、OSTU阈值分割法相比,改进的最大熵分割阈值较小,分割后的图像包含的噪声少;改进的预处理算法对测试图像的漏检率和误检率分别是6.2%和7.3%.     

一种图像局部特征的语义提取方法

本文提出了一种基于期望最大化(EM)算法的局部图像特征的语义提取方法。首先提取图像的局部图像特征,统计特征在视觉词汇本中的出现频率,将图像表示成词袋模型;引入文本分析中的潜在语义分析技术建立从低层图像特征到高层图像语义之间的映射模型;然后利用EM算法拟合概率模型,得到图像局部特征的潜在语义概率分布;最后利用该模型提取出的图像在潜在语义上的分布来进行图像分析和理解。与其他基于语义的图像理解方法相比,本文方法不需要手工标注,以无监督的方式直接从图像低层特征中发掘图像的局部潜在语义,既求得了局部语义信息,又获得了局部语义的空间分布特性,因而能更好地对场景建模。为验证本文算法获取语义的有效性,在15类场景图像上进行了实验,实验结果表明,该方法取得了良好的分类准确率。     

基于局部特征的图像快速分类算法

基于内容的图像快速分类是Web图像实时搜索和过滤的基础。通过分析图像特征分布特点,提出一个基于局部特征的图像快速分类算法。与目前算法相比,该算法仅需对图像的局部区域扫描分析,即可得到其颜色、纹理、形状等特征,并利用Bayesian分类器来实现图像的快速自动分类。相关对比实验证实,该算法能够快速、准确地实现图像分类。     

一种基于Bayesian的图像分类算法

提出了一种基于Bayesian的图像分类算法,该算法首先从原始数字图像出发,通过分析图像的特征分布特点,对图像的局部区域扫描分析,然后抽取目标图像的特征元素,得到其颜色、纹理、形状等特征,最后利用Bayesian分类器来实现图像的快速自动分类.实验结果表明,该算法能够有效提取图像的局部特征,从而快速、准确地实现图像分类.     

融合全局和局部特征的人脸识别算法

针对人脸识别算法缺乏对光照变化的自动调节能力的弱点,提出了一种综合利用全局和局部特征进行人脸识别的新方法。对整幅人脸图像进行主成分分析;针对人脸局部特征,提出一种根据各局部子块包含的信息量即利用图像熵值进行自动加权的算法;基于贝叶斯原理对全局和局部特征进行数据融合,给出最终结果。实验结果表明,该数据融合算法综合全局和局部特征提取方式的优势,有效提高了人脸识别率。     

基于改进马尔可夫随机场的钢轨缺陷分割

为提高钢轨缺陷分割对噪声的鲁棒性,提出一种基于改进马尔可夫随机场(MRF)的钢轨缺陷分割方法。利用背景差分法对灰度进行预处理,消除灰度分布不均的干扰。对模糊if-then规则的前提部分采用马尔可夫随机场来利用图像中的空间约束,结果部分指定像素距离图算法,通过使用马尔可夫随机场(MRF)在相邻像素图像之间并入局部空间信息,推导出新的自适应模糊集和MRF相结合的钢轨表面缺陷自动分割方法。建立标准的FCM、GMM和该方法的钢轨缺陷分割对比实验,验证了算法的有效性和优越性。     

基于 Hough 变换和 Catmull-Rom 样条曲线的 钢轨检测算法

针对现有的钢轨检测算法中对于钢轨识别准确性不高的问题,提出一种基于 Hough 变换和 Catmull-Rom 样条曲线的钢轨检测算法。首先对图像进行降噪预处理,利用 Canny 边缘 检测算法进行边缘检测,然后利用 Hough 变换检测直轨,根据直轨消失点确定轨道模型,最后 针对弯轨利用等分窗口搜索弯轨特征点,对选取的特征点进行 Catmull-Rom 样条曲线拟合弯轨。 实验表明,该算法不仅能够准确拟合钢轨曲线,而且具有较好的准确性和鲁棒性。     

二级分区下颜色融合纹理的刑侦图像检索

多数刑侦图像检索算法缺乏图像局部特征的提取,从而导致检索精确度较低。对此,提出一种新的二级分区下颜色融合纹理的刑侦图像检索算法。该算法采用二级分区将图像划分成多个局部区域;提取局部区域的颜色自相关图特征和双树复小波结合多方向多参数的灰度共生矩阵的纹理特征;以串行的方式融合局部区域特征。使用核主成分分析法(Kernel Principle Component Analysis,KPCA)进行特征选择,以欧式距离作为相似性度量实现检索。通过在两个刑侦图库的实验结果表明,该算法的平均精确度均高于传统的刑侦图像检索算法,具有良好的检索效果。     

SIM模块质量分析系统

针对智能卡片生产制造过程中的质量检测问题,提出一种基于SIM的质量的在线视觉检测方案,通过对采集图像光源设计、模块定位以及检测算法的研究,利用图像处理技术中的边缘检测、特征提取、开闭运算和对象识别等关键技术,将打光方案和算法设计相结合,实现了一种利用几何特征匹配的定位算法,用以检测模块中是否有芯片、是否有污物、生锈、条带严重弯曲、花纹断裂、折痕、背面硅胶偏移、硅胶偏厚、报废模块背面硅胶异常凸出、模块条带的定位孔破损等问题.测试结果表明,该系统有效的实现了对SIM卡的质量检测.     

基于改进Cascade RCNN网络的X光安检违禁品检测

针对X光安检违禁品检出率低下的问题, 提出了一种基于改进Cascade RCNN网络的X光安检违禁品检测算法. 该算法在网络结构上引入批特征擦除(batch feature erasing, BFE)模块. BFE模块通过随机擦除相同区域来增强局部特征学习, 进而强化网络对剩余特征的学习表达. 此外, 针对检出率低下问题, 在该算法中提出加权SD loss损失函数, 该损失函数使用权重融合的方式将Smooth L1 loss与DIoU loss进行加权融合, 通过改变权重比例系数, 能够使目标检测结果更加准确, 一定程度上提高了检出率. 实验结果表明: 在公开的X光安检违禁品数据集上, 测试性能与原算法相比, 改进Cascade RCNN网络对X光安检违禁品检出率增长了3.11%, 改进算法的识别精度有一定的提高.     

煤矿井下巷道变形巡检视频异常检测方法

采用智能视频巡检技术进行煤矿井下巷道变形检测时,常用的背景差分算法因要求输入图像具有良好的时空连续性而无法满足巡检视频背景建模要求。根据煤矿井下巷道变形巡检机器人匀速、定向运动及周期性采集视频数据的特点,提出一种巡检视频异常检测方法:结合巡检机器人定位信息对巡检视频分段并提取相应关键帧,采用均值哈希算法建立背景模型,对背景模型中图像进行特征跟踪以实现校正,之后将背景模型与关键帧进行差分运算,生成二值掩膜并进行去噪及连通处理后,输出异常检测结果并更新关键帧。实验结果表明,该方法在一定条件下可较准确地定位关键帧并检测出异常目标,检测速度约为50帧/s。     

铁轨表面缺陷的视觉检测与识别算法

提出一种铁轨表面缺陷的视觉检测与识别算法。设计铁轨表面缺陷视觉检测与识别系统的总体结构,基于水平投影法提取铁轨表面区域,采用逻辑操作组合检测结果,使用 BP 神经网络进行缺陷分类。实验结果表明,该算法能准确地检测与识别铁轨表面的疤痕和波纹擦伤这2种缺陷,分类正确率分别达到99%和95%。     

基于机器视觉的轨道车辆零部件形位尺寸检测方法研究

在高铁车辆中,包含着种类繁多的零部件,每个零部件对于车辆的正常稳定运行都具有及其重要的影响,传统的检验用时较长且容易出错,检验效率较低。出错的车内装饰部件会造成不同程度的返工,大大的降低了生产效率。目前,高铁零部件形位尺寸检测研究领域尚很少视觉检测相关的研究,针对高铁零部件的大型不固定的特点,提出了完整的视觉检测高铁零部件形位尺寸的方法,首先从Snake动态轮廓模型分割零部件感兴趣区域,之后通过透视投影变换进行空间校正,采用Sauvola局部二值化进行轮廓提取,进而进行零部件视觉形位尺寸测量四个步骤实现高铁零部件的视觉检测,并对高铁上的三种零部件进行测试和验证,实验结果表明,基于视觉的高铁零部件形位尺寸检测具有较好的检测效率和可拓展性,可用于高铁多种零部件的形位尺寸入库检验中。     

基于GB-AEnet-FL网络的物联网设备异常检测

针对物联网场景下,传统异常检测方法在海量不均衡数据中检测准确率低、数据异构导致模型泛化能力差等问题,提出了基于联邦学习的对抗双编码异常检测网络 （GB-AEnet-FL）的物联网设备异常检测算法。首先,提出了一种基于异常数据的主动特征分布学习算法,主动学习数据的潜在特征分布,通过数据重构扩充异常数据,均衡正负样本比例。其次,在潜在特征层引入了对抗训练机制并添加一致性增强约束和收缩约束,提高特征提取的精度。最后,设计了一种基于动态模型选择的联邦学习算法,比较局部模型与全局模型的置信度评分,动态选择部分联邦体参与,加速模型的聚合,在一定程度上也保护了用户隐私。在四个不同数据集上进行验证,结果显示,所提算法在检测准确度优于传统算法,且泛化能力得到相应提升。     

基于无人机图像的输电线断股与异物缺陷检测方法

为提高无人机(UAV)巡检输电线路的效率,提出一种基于线结构感知的输电线断股与异物缺陷的检测方法。由于无人机巡检的图像受背景纹理及光线影响较大,采用能检测线宽度的水平与垂直方向的梯度算子提取巡检图像上的线对象,进而研究感知定律中的共线性、近似性、连续性的计算,将断续线段连接成长的线段,通过长线段的平行性计算,识别出输电线路结构中显著的平行导线组。为识别导线上安装的防振锤与间隔棒连接部件,提出一种基于局部轮廓特征的形状部件识别方法。在识别出这些连接部件的基础上,对导线进行分段分析,计算分段导线的宽度变化、灰度相似度来检测导线上的断股与异物缺陷。通过对无人机巡检采集的输电线路图像的测试,验证了这种方法在复杂的背景条件下能有效地检测导线上断股与附着异物缺陷。     

改进CenterNet的高压输电线路巡检故障实时检测方法

针对通用深度学习目标检测技术难以在高压输变电线路巡检时实现实时高效的故障检测,提出一种改进CenterNet的高压输变电线路巡检故障实时检测方法,对绝缘子自爆、防震锤脱落、鸟巢三类常见巡检故障进行检测。该方法基于深层特征融合网络（DLAnet,Deep Layer Aggregation）、挤压-激励SE（Squeeze-and-Excitation）模块、可形变卷积进行高效深层特征提取网络DLA-SE的设计。在CenterNet架构下通过DLA-SE特征提取网络获取对象的中心点热力图,回归对象的宽高、偏移信息,得到对象边界框。实验结果表明,在Nvidia GTX 1080测试条件下该方法的mAP达到0.917,推理速度达到27.03?frame/s,与CenterNet、SSD与YOLOv3方法相比在检测精度上取得大幅度提升,证明了该方法的有效性。     

基于图像与激光多数据融合的轨枕检测方案研究

铁路轨道轨枕的准确检测是实现捣固车智能化升级的前提,也是实现大型养路机械自动捣固的必要条件之一.为实现大型养路机械捣固车轨道轨枕自动检测识别,文章提出一种基于多维传感器数据融合算法的轨枕自动检测算法方案.该方案结合混沌增强果蝇优化算法与模糊聚类分割技术,扩大了算法适用范围,提高了图像识别准确性和抗噪能力;其将图像与激光...