基于机器视觉的食品外包装缺陷检测算法研究进展

食品包装在生产过程中由于各种因素会导致缺陷产生,包装缺陷种类多,背景复杂。通过视觉成像和计算机信息处理完成包装的识别、检测和测量等任务的机器视觉检测,相比传统的人工检测,具有执行速度快、精度高等特点,可显著提高生产自动化程度。文章根据食品外包装常见缺陷,从缺陷检测算法的角度介绍传统机器视觉检测算法和深度学习相关算法在食品外包装缺陷检测中的研究应用,并对检测算法在食品外包装缺陷检测中的应用前景,以及存在的问题进行分析与展望。     

基于深度学习的目标跟踪与行为识别技术

随着人工智能算法模型技术的发展,目标跟踪和行为识别已经成为计算机视觉领域的重要研究任务。该文介绍Yolo V7和Yolo V8这2个最新的目标跟踪和行为识别算法。重点介绍基于深度学习的目标跟踪技术中的目标检测与特征提取、目标跟踪与位置预测,以及介绍基于深度学习的行为识别技术中的视频编码与特征提取、行为分类与识别。此外,该文以Yolo V7和Yolo V8模型结构为基础构建目标跟踪与行为识别的联合学习。     

深度学习在遥感影像目标识别与定位中的应用研究

长期以来,遥感影像的目标识别与定位主要依靠目视判读和人工手段,误判和漏判情况严重,且检测精度较低。文章介绍了基于深度学习的目标检测算法,探讨了将深度学习应用于遥感影像目标识别与定位需要的关键技术,并对深度学习在目标识别与定位中的应用进行了前景展望。     

足球比赛视频中的球员目标跟踪与检测研究

目的是探索基于边缘计算和深度学习(DL)的足球比赛视频中的球员检测和运动跟踪,从而提高不同场景下球员轨迹的检测效果。首先,基于面向梯度直方图(Histograms of Oriented Gradients)特征分析了球员目标跟踪与检测任务的基本技术;然后,将DL中的神经网络结构与目标跟踪方法相结合,改进了Faster R-CNN (FRCN)算法在检测小目标时的漏检问题。边缘计算将大量计算节点放置在靠近终端设备的位置,以满足DL对边缘设备的高计算和低延迟的要求。在分析了足球视频中的遮挡问题后,将优化算法应用于公共数据集OTB2013和包含80个运动轨迹的足球游戏数据集。经过测试,改进后的FRCN目标跟踪精度为89.1%,目标跟踪成功率为64.5%,运行帧率仍在25 fps左右。FRCN算法的高置信度也避免了模板污染。在普通场景中,FRCN算法基本不会丢失目标。在目标被遮挡的场景中,提出的FRCN算法的曲线下值面积略有减小。基于DL技术的FRCN算法可以实现足球比赛视频中球员的目标跟踪,对球员遮挡的情况具有较强的鲁棒性。将设计的目标检测算法应用到足球比赛视频中,可以更好地分析球员的技术...     

西装识别的深度学习方法

为准确而快速地对电商平台产品图像进行西装目标的分类检测,以3个主要的卷积网络深度学习框架即快速区域卷积神经网络、基于区域的全连接卷积网络和单次多盒检测为基础,首先通过实验分析其在服装图像分类识别中的效率和有效性,针对小目标识别困难和过拟合识别问题,提出基于尺寸分割和负样本的单次多盒检测(SSD)增强方法(DN-SSD);然后将图像分割为不同尺寸的子图突出服装目标,通过融合分类方法解决SSD算法对小目标识别不足的问题,并通过增强负样本以提高算法的场景适应能力。实验结果表明,该算法可有效地识别各种形态和大小的西装目标,识别准确率达到90%以上,并且能够方便地推广到服装其他品类的识别中。     

基于深度学习的食用油灌装质量检测系统

介绍了一种利用深度学习算法进行食用油灌装质量检测的系统,基于深度学习有监督物体识别网络对食用油生产线进行从原料至销售的全流程包装缺陷检测,具体功能包括瓶口缺陷检测、瓶盖缺陷检测、瓶身喷码缺陷检测、贴标缺陷检测、装箱点数检测。相比于传统机器视觉检测方案,该系统具有无需做图像预处理、检测精度高、参数设置简单、算法泛化能力强、开发周期短的优点,可实现食用油生产包装质量检测的全面自动化。     

一种高鲁棒性经编机上断纱在线检测算法

为检测经编机编织过程中产生的断纱问题，提出了以图像维度转换为基础的复合检测算法。首先通过不同时刻拍摄的多张图像生成一张包含时域信息的特征增强图像，以减少环境噪声带来的影响，并极大程度保持了断纱位置时域与频域的特征；然后使用小波变换的方式对增强图像进行断纱检测，在保证检出的情况下提升了检测速度；最后对检测到缺陷的位置使用深度学习的方式再进行一次检测以提升整体算法的鲁棒性。实验结果表明，本文算法可有效地检测不同工艺多类型纹理织物的断纱特征，相对于传统算法时效性与鲁棒性都得到很大程度的提高，能够满足工业场景下断纱检测的需要。     

基于改进的SSD深度学习算法的双目视觉纱筒识别定位

针对纺织厂转型升级过程中,传统视觉技术对于多种颜色纱筒识别定位准确率较低的问题,提出了一种新的双目视觉纱筒识别定位方法。首先,用MobileNet V3替换VGG16作为改进SSD(single shot multibox detector)深度学习算法的主干特征提取网络,并引入特征融合模块,提升了网络浅层的特征提取能力;其次,利用双目相机采集的左侧纱筒图像作为数据集,完成改进SSD深度学习算法的训练和测试;最后,将双目校正的纱筒图像输入算法进行识别,并通过双目视觉技术实现纱筒的定位。实验结果表明,改进SSD深度学习算法的识别平均精度达到了94.6%,每秒传输帧数达到了52.3,双目定位的平均误差为1.63%。     

基于深度学习的储粮害虫检测研究进展

储粮害虫检测与预警对保障粮食储存安全具有重要意义。目标检测是计算机视觉研究领域的核心问题之一，近年来深度学习在目标检测领域的应用研究取得了重大突破，储粮害虫目标检测也取得了较大进展，并逐步在粮库智能化建设中推广与应用。本文从储粮害虫数据集的获取与预处理、储粮害虫目标检测算法研究、储粮害虫检测结果应用等三个方面，总结了近年来基于深度学习的储粮害虫检测研究进展，通过对比研究，提出了该研究领域存在的问题及未来研究方向。     

基于YOLOv5的钢材数量识别方法

传统工业建材计数工作一直由人工完成,手工计数方法易受到统计人员的状态影响,无法满足现代化建筑快速工业需求。为解决这一难题,该文提出一种基于YOLOv5的钢材图像计数算法。首先,对钢材技术问题进行分析,明确任务重点难点及工业部署硬件设备需求;同时,根据钢材数据特性搭建YOLO目标检测网络,对钢材数据进行预处理以保证目标特征表达;最后,对模型性能进行测试验证。实验结果表明,该文算法平均检测精度可达98.7%以上,模型准确率可达98.9%,较好完成钢材计数检测任务,且具有一定鲁棒性。     

基于Kinect视觉功能对体感手势目标识别

手势识别技术在人机交互模式中是一项重要的研究课题,为提高手势识别性能,文章介绍一种基于Kinect体感设备对手势目标进行识别的方式。利用Kinect视觉传感器获取RGB彩色手势图像和深度图像,使用OpenNI从中识别人体关节并提取空间坐标,通过空间向量运算,完成手部定位并获取手部轮廓,结合动态规划思想的限幅滤波算法,得到最优解的手势识别。实验测试表明,该系统具有良好的实时性和鲁棒性,能够实现用手势动作控制PowePoint的自由播放。     

基于深度学习的丝绸文物纹样识别应用

为对数字化文物进行快速自动分类，提高藏品数字化进程，加快数字博物馆的构建，文章利用深度学习对丝绸文物的纹样进行自动识别。依据实物纹样的分类方法，建立了包含花卉纹、飞鸟纹、“卐”字纹、云纹四类纹样的样本库。利用VGGNet、ResNet、MobileNet实现对纹样的分类，结合Faster R-CNN、YOLOv5、SSD目标检测算法实现对纹样的识别与定位。实验结果表明，MobileNet对丝绸纹样分类的mAP达到83.51%;在目标检测算法中YOLOv5的识别与定位效果最好，其mAP为88.42%。与通过人工分类相比，采用深度学习算法进行分类与识别，可以在降低难度的同时提高分类的速度和准确率，为纺织品文物的鉴定与保护提供了新的思路。     

基于机器视觉的水果外观品质检测研究现状

水果中富含多种营养成分,随着经济和社会生活水平的提高,高品质水果越来越受人们的青睐,其外观品质已经成为影响消费者采购的重要因素。早期我国主要依赖人工对水果进行分级,效率和准确率较低,成本和工人劳动强度较大。近年来随着机器视觉技术的不断发展,大量的学者将视觉技术应用到水果外观品质的检测中,这种技术具有无损坏、低成本、高效率和操作方便等优点。本文结合国内外学者的研究成果,梳理了机器视觉在水果外观颜色、形状、大小、缺陷和纹理检测中的应用,着重介绍了缺陷提取和分类器对水果识别算法的研究进展,分析了传统视觉分级、机器学习和深度学习的应用特点,提出了机器视觉技术存在的问题并对未来发展趋势进行了展望,以期为水果外观品质检测研究提供参考与借鉴。     

基于神经网络的AGV智能车路径规划的仿真研究

为了解决传统路径规划算法缺少自主学习,以及不适用于局部路径规划的问题。本文提出了一种基于神经网络的AGV智能车(Automated Guided Vehicle)路径规划算法,目的是在未知环境中为AGV提供无碰撞规划路线。这种算法是在神经网络算法的基础上,采用一种四层的网络结构,设计能量函数作为网络的评价函数,通过求能量函数极值,使得AGV智能车根据路径点集运动趋向来调节小车移动,完成路径规划任务。通过计算机仿真实验,证明了方法的有效性。     

机器视觉自动检测纸张表面缺陷质量分析研究

针对传统的纸张表面缺陷检测算法容易受复杂背景干扰的问题,提出一种机器视觉自动检测纸张间相对均匀的表面缺陷检测方法。主要分析了纸张表面各个环节中可能会出现的缺陷识别分类与缺陷类型等算法。根据目前的机器视觉自动检测技术,对已有的表面识别算法进行了分析。将通道注意力信息与空间注意力机制进行融合,设计出新的注意力机制模型,对纸张表面缺陷进行分类,此方法提升了模型算法的缺陷识别准确率,在纸张表面缺陷检测上,用过分析和总结机器视觉自动检测在纸张表面缺陷的应用,提高了纸张检测的准确率和效率,所述方法具有较强工程可行性和推广价值。     

YOLOv3在教室内人数识别中的应用

针对教室内人数的自动识别场景,研究了深度学习目标检测架构YOLOv3的识别模型训练及应用。通过分析YOLOv3神经网络的全卷积架构,标注训练数据的坐标与类型,调整单一目标识别网络设置,迭代优化神经网络参数,训练出损失收敛的神经网络识别模型。经数据集验证并统计结果,分析了模型识别的精确率、召回率和准确率。实验结果表明,在100张教室截图验证测试中,其人数识别的平均准确率达到93.58%,可为学校教学管理提供相关参考数据。     

车辆实例分割算法研究

Mask R-CNN在目标检测中具有很大的优势,算法使用深度神经网络对目标进行提取特征,具有较高的检测准确度。但是如果直接使用Mask R-CNN检测车辆会存在远场景小目标车辆检测漏检的问题。针对这个问题文章在特征提取时使用ResNeXt-101-FPN网络代替Resnet残差特征金字塔网络,提高准确率的同时减少计算量。     

基于"机器视觉+深度学习"目标检测的皮革表面缺陷检测系统研究

针对皮革表面缺陷人工检测效率低、准确率低等问题,基于机器视觉和深度学习算法等构建了一种皮革表面缺陷检测系统.对该系统的主要框架及核心功能进行分析,以一般皮革表面光学检测系统为对象进行检测精度与检测效率对比.结果表明,基于"机器视觉+深度学习"的皮革表面缺陷检测系统检测精度更高,在应用初期的检测效率与一般检测系统较为接近,但随着应用时间的增长,系统检测效率优势也会逐渐显现.     

基于YOLOv8的奶瓶缺陷检测系统的设计与实现

为了提高奶瓶回收环节的效率和准确性,本文设计并实现一套基于YOLOv8的奶瓶缺陷检测系统。该系统利用深度学习技术,特别是YOLOv8目标检测算法,通过对奶瓶图像进行自动化检测,实现对奶瓶缺陷的快速而准确的识别。本文详细介绍系统的设计思路、实现步骤以及实现结果。     

基于道路监控的无人车路径优化控制系统

为充分提高道路的使用率,缓解因视觉盲区及道路拥堵所造成的道路安全等问题,针对无人驾驶技术高速发展的未来对基于道路监控的无人车路径优化系统展开研究。通过模拟道路监控下的无人驾驶,采用高低位相机采集图像,进行图像处理和视觉识别等算法研究,得到车辆和道路的信息选择合适车道并通过车辆进行决策,实现了一种可与道路监控系统相融合的基于高位监控相机与车载低位相机双目融合、多视极线约束的无人车路径优化控制系统。