改进Mean Shift目标跟踪算法实现

目标跟踪技术目前具有较好的应用前景，但在嵌入式处理平台中面临着实时性要求高、跟踪场景复杂等情况，加上受成本和嵌入式处理平台算力的限制，其处理效果往往很难满足现实需求，因此目标跟踪等图像处理技术的落地实现是当前研究的热点内容。针对此问题，本文在FPGA平台实现了改进Mean Shift目标跟踪算法，该算法首先通过目标的概率密度分布梯度爬升来寻找目标，然后采用Kalman滤波的预测机制来预估下一帧搜寻计算的位置，从而减少Mean Shift的迭代次数。该算法实现充分利用FPGA能够并行和流水线处理的特点，实现了在1 920×1 080@60 Hz高清视频图像场景下的实时目标跟踪，其中Kalman滤波算法使其在较复杂场景下也能具备一定的抗遮挡干扰的能力。     

基于小波模极大值的织物疵点检测

织物疵点部分相当于图像中灰度突变的奇异信号,对比传统的边缘检测方法,小波变换在检测图像微小细节边缘时具有明显的优势,能很好地刻划突变点的奇异性。首先利用小波的多尺度特性求得织物图像局部极大值点,有效提取出织物疵点区域的边缘,然后结合形状特征求出织物疵点区域的形状特征,对常见重纬、重经、缺经、缺纬、油污、破洞织物疵点图像进行仿真实验,结果表明此方法既保留了织物疵点边缘信息,又剔除了虚假边缘,最终有效地提取出了疵点区域的形状特征。     

基于Contourlet域非线性扩散的织物疵点图像去噪

提出了将Contourlet变换与非线性扩散相结合的织物疵点图像去噪方法。首先对图像进行Contourlet分解,然后高频部分和低频部分分别采用自适应对比度扩散和全变差扩散,最后重构图像。给出了实验结果,并与现有的小波阈值收缩和全变差扩散结合的方法、基于改进的Contourlet变换的自适应对比度扩散方法、小波变换与非线性扩散相结合的方法的图像去噪效果进行了比较。结果表明,经所提方法去噪后的图像获得的PSNR平均增益可达7.45 dB,去噪效果较为优越：不但抑制噪声的能力更强,而且能够更好地保留织物图像原有的边缘和纹理特征。     

疵点仪及疵点检测技术

本文从ＵＴ－１Ｂ条干仪的疵点出发,分析其疵点检测的过程,较细地分析各单元电路的特性。在此之后,又分析了国产ＹＧ１３１条干仪和ＹＧ１３５Ｍ条干仪的疵点检测过程,以及ＵＴ－１Ｂ,ＹＧ１３１和ＹＧ１３５Ｍ条干仪疵点检测过程的区别,由此,就可在一定程度上使我们对疵点检测技术有一个较深入地了解。     

一种基于改进滤波的单相谐波检测方法

随着电力电子设备的广泛应用,基于三相四线制系统的有源电力滤波器(APF)不仅需要对电网电流中的谐波和无功进行补偿,还需要保证电网三相有功电流的动态平衡。传统单相谐波检测方法会使检测结果中含有二次交流量,进而导致电网电流产生3次谐波。为解决该问题,提出一种基于改进滤波的单相谐波检测方法。通过反馈迭代,基本消除了传统方法检测结果中的2次交流量,提高了谐波检测的精度。在Matlab中仿真验证了该检测方法的正确性,并在以DSP为控制芯片的实验平台验证了该检测方法的可行性。     

基于均值滤波的电能质量检测去噪方法

在电能质量检测领域,测量信号通常叠加着随机噪声,因此去噪是信号检测的重要前提。作为常见的去噪方法,均值滤波和中值滤波有很多缺点。均值滤波因其能去除大量的高斯噪声且易于实现而成为一种常用的线性滤波,但均值滤波对于奇异点却很敏感。对此给出了一种改进的均值滤波方法,此方法不单能去除高斯噪声,而且能很好地保留突变点信息。     

基于改进SAE网络的织物疵点检测算法

针对传统织物缺陷检测手工提取特征困难,疵点样本有限的问题,结合卷积自编码器(CAE),提出一种基于Fisher准则的栈式去噪自编码器算法(FSDAE)。首先从原始图像中截取若干小块图像,采用稀疏自编码器(SAE)训练,得到小块图像的稀疏性特征;其次利用该特征,初始化CAE网络参数,提取原始图像的低维特征;最后将该特征数据送入FSDAE网络进行疵点检测分类。分别对3类织物进行测试,实验结果表明,算法能够有效地提取织物图像的分类特征,且通过加入Fisher准则,提高了织物疵点的检测率。     

基于相关性的二级检测图像滤波算法

为了准确检测图像中的椒盐噪声并滤除,提出了一种基于相关性的二级检测图像滤波算法.该算法根据椒盐噪声的特点,确定了准噪声点的范围;根据信号局部相关性,准确地分离出信号点和噪声点,对噪声点,取滤波窗口内的信号点的中值进行滤波.试验结果表明:该算法对椒盐噪声有很好的抑制作用.     

基于同步相关滤波技术的谐波检测方法研究

为实现有源滤波装置补偿电流的准确、实时跟踪,电流的实时检测是关键。传统的各种谐波检测方法特性各不相同,但它们都仅适用于电压基准比较明确场合。将基于频谱搬移原理的同步相关滤波技术应用于电力系统谐波检测,并借助于多分辨率分析思想和小波分析概念得到了一种降采样频率方法以适应谐波频率变化的情况,即自适应同步相关滤波。以交交变频器输出谐波为例,用Matlab软件仿真。仿真结果表明,这种自适应谐波检测技术可有效解决电压基准变化时的谐波检测的难题,同时为谐波抑制的实施奠定了基础。     

基于多光谱图像融合的光学表面疵病检测

为了实现对精密光学元件表面疵病的高精度测量,提出了一种基于多光谱图像融合的光学元件表面疵病检测方法。通过使用不同波长的光源入射到光学表面,在显微暗场成像系统中获得了450nm,532nm,650nm单波长光源照明时光学表面疵病的检测结果,并将采集到的图片通过加权平均法、拉普拉斯金字塔变换法和小波变换法三种方法进行图像融合后,再进行图像处理获取疵病尺寸信息。由实验结果对比可知,相较于单波长原始图像的疵病检测结果,多光谱融合图像的检测结果更加精确,并且通过对比三种融合方法结果,其中以拉普拉斯金字塔变换融合的效果最佳。     

基于改进YOLOv5的金属焊缝缺陷检测

为提高工业上焊缝缺陷自动检测与处理的效率,基于深度学习提出一种改进的YOLOv5焊缝缺陷检测方法。针对焊缝样本数据不足的问题,提出一种Mosaic+Mixup的数据增强策略,同时为减少网络的计算量和网络参数量,引入轻量型的GhostNet网络代替YOLOv5主干网络中CSP1模块中的残差模块,并且采用CIOU_Loss作为坐标位置损失提高算法的收敛速度与准确率。最后使用测试集进行焊缝缺陷检测,改进的YOLOv5的平均精度均值（mean Average Precision,mAP）达到96.88%,单张图片检测时间不超过50毫秒,优于传统机器学习算法,能够满足实际工程中对焊缝缺陷的实时性检测要求。     

基于深度学习的PCB缺陷检测研究

印刷电路板(PCB)是保障电子设备产品可靠性的关键因素.因此,对于PCB板的缺陷检测是一项基本和必要的工作.当前PCB缺陷检测方面已经取得了很大进步,但由于PCB板缺陷的多样性、复杂性以及微小性,传统检测方法仍然难以应对.针对PCB板复杂性和微小性问题,文中提出了一种基于深度学习的PCB微小缺陷检测网络,命名为UF-N...     

一种改进的印刷丝网布疵点快速检测算法

为提高印刷丝网布疵点检测的速度和准确性,提出了一种基于傅里叶变换和改进阈值分割的印刷丝网布疵点的检测算法。以无图案的印刷丝网布为研究对象,首先对采集到的印刷丝网布图像进行傅里叶变换,得到印刷丝网布图像的频谱图;然后利用Butterworth低通滤波器对频谱图像进行滤波,滤除傅里叶空间的高频分量;最后对逆变换得到的滤波图像进行改进的迭代法阈值分割,从而实现印刷丝网布的疵点检测。实验结果表明,该算法能够实现脏污、划痕、飞丝、破洞等常见疵点的快速准确检测。     

基于融合注意力的多尺度芯片缺陷检测算法

芯片的表面缺陷检测在半导体制造中具有重要意义,针对目前芯片表面缺陷面积小,缺陷外形多变,缺陷尺寸跨度大的情况,提出一种基于YOLOv5改进的芯片表面缺陷检测算法,首先基于ConvNext网络改进特征提取模块,提升网络稳定性和特征表达能力,同时提出增强卷积注意力模块(ehanced convolutional block attention module, E＿CBAM),将更详细的位置信息嵌入到卷积注意力(convolutional block attention module, CBAM)之中,提升整个网络对于小面积及边缘缺陷的检测能力,而针对芯片缺陷多变尺寸跨度大的问题,研究引入了可变形卷积和双向特征金字塔网络(bi-directional feature pyramid network, BiFPN),一方面可变形卷积对于外形不规则的卷积有更好的提取能力,另一方面Neck部分的BiFPN在简化结构的同时保证了多尺度融合的准确性。经过实验表明,改进后的网络在芯片表面缺陷数据集(chip defect dataset, CDD)上,平均精度均值(mAP)mAP@0.5指标达到95.3...     

基于增强特征金字塔和可变形卷积的绝缘子缺陷检测

绝缘子广泛应用于电力系统的各个环节,对保障电网安全稳定运行起到重要作用。现有方法只能识别自爆缺失、异物等明显缺陷,无法应对局部破损、裂纹等情况。针对上述问题,提出一种基于增强特征金字塔和可变形卷积的绝缘子缺陷检测方法:在原有高、低特征融合的基础上,增加增强的自底而上的路径,改善高、低特征图之间的信息传递,实现局部缺陷特征的有效提取;引入可变形卷积,自适应改变局部采样点,减小背景干扰的影响,进一步提升模型的适用性。利用多场景采集的绝缘子图像进行对比实验,结果显示在不同基础网络上,所提方法检测精度较传统方案均取得了较大程度的提升,该方法可广泛应用于变电站、高压输电线等各类绝缘子应用场景。     

基于改进YOLOv4的锂电池缺陷检测方法

针对传统方法检测锂电池表面缺陷精度低、速度慢的问题,提出一种改进的YOLOv4算法。首先,在 CSPDarknet-53 骨干网络中使用空洞卷积代替传统卷积,提高了对不同尺度缺陷的检测。其次,将通道注意力机制插入到颈部网络中,自适应地选择一维卷积核的大小,降低模型的复杂度和计算量。最后,在分类和边界框回归中融合条件卷积来提高网络性能,并扩大数据集以解决由于缺陷样本太少而导致的网络训练过拟合问题。实验结果表明,改进后的YOLOv4算法可以有效检测锂电池表面缺陷并提高对于缺陷的识别和定位能力。改进算法的平均精度均值为93.46%,相较原算法提高了3.03%。