基于BMM-Fast-SCNN的海底线实时提取算法

侧扫声呐瀑布图由于其成像原理，需要借助海底线位置对原始图片进行斜距校正。然而在实际采集过程中，声呐自噪声、悬浮物和海底目标等许多干扰因素会增加海底线提取的难度，现有的传统方法和神经网络方法在回波信号信噪比较差时无法正确实时地提取海底线。针对这些问题，提出了一种基于海底信息对称模块和多尺度特征融合模块的快速分割卷积神经网络(Bottom Information Symmetry Module and Multi-scale Feature Fusion Module Fast-SCNN,BMM-Fast-SCNN)用于实时正确提取海底线。该算法基于Fast-SCNN-1D,结合海底信息对称模块(Bottom Information Symmetry Module, BISM)来提高网络的鲁棒性，并通过多尺度特征融合模块(Multi-scale Feature Fusion Module, MFFM)增强网络提取海底线细小特征的能力。在两条测线中，该算法在一个像素和两个像素误差范围内的提取精度分别为83.56%,97.63%和96.27%,99.49%,相较于其他方法，分别至少提高了1.4...     

空地协同机器人目标定位方法

针对空地协同机器人中无人机对地面无人车的实时精准定位问题,提出一种红色双圆型定位标记及标记识别与定位方法。引入颜色分割与轮廓提取相结合的方式,减少提取到的轮廓特征数量,排除背景信息干扰以减少误识别;提出一种圆形轮廓快速检测算法,快速识别目标轮廓并准确定位目标像素坐标和方向;基于针孔相机成像模型,根据目标像素坐标和方向,估计出目标在机体坐标系下三维坐标和偏航角。实验结果表明,无人机与地面无人车相对高度1.5 m时,该方法在[x]轴和[y]轴方向定位误差分别为3.9 mm和3.6 mm,每帧图像平均处理耗时为11.6 ms,优于基于核相关滤波的识别定位方法的13.3 mm、14.3 mm和56.3 ms。该方法与无人机控制相结合,可以实现无人机协同跟踪与自主降落功能,提升空地协同机器人作业效率,具有显著的工程意义。     

基于全局感知和局部细化的夜间显著目标检测

为有效解决由于信噪比偏低，夜间图像显著目标检测结果具有区域定位不准确、内部结构不完整和外部边界不清晰等问题，提出由全局语义感知和局部结构细化引导的深度全卷积网络用于夜间显著性检测，判别夜间图像的像素级显著性。为进一步完善目标定位和像素分类性能，模型集成全局语义感知模块以获取更多空间信息，嵌入局部结构细化模块提取具有完整边界知识的显著性信息。实验结果表明，所提模型具备先进的夜间显著性检测性能。     

基于视觉识别定位的苹果采摘系统研究

针对果实振荡、重叠影响采摘机器人采摘精度和效率的问题,研制了一种在农田 环境下利用视觉检测技术和机器人定位抓取技术的苹果采摘系统。首先利用图像处理技术对初 始图像进行图像预处理;其次根据图像角点提取算法检测图像曲率,通过计算曲线段上的多个 像素平均角方向之间的差值对曲率进行平滑处理,获取图像曲率集中峰值点;最后对图像曲率 峰值点进行像素坐标标定,并将该点像素坐标转化为物理坐标作为机器人的定位抓取目标点, 机器人根据定位目标点的位置信息调整运动姿态对果实进行实时追踪和识别,实现果实的精确 定位、抓取和采摘。试验证明,该系统下的机器人抓取果实的成功率高达九成以上,基本能够 满足实际生产中的果实采摘需求,可为苹果等球状果实精准识别、定位抓取提供参考。     

用于矿井通风网络解算的通风机风压性能曲线自动识别方法

从通风机性能曲线图像中采样并识别风压性能曲线,进而拟合出风压性能函数是矿井通风网络解算的关键技术。目前常用人工方式识别风压性能曲线,效率低且准确性不高。提出一种基于图像处理技术的通风机风压性能曲线自动识别方法。采用双边滤波、图像锐化和二值化技术对原始通风机风压性能曲线图像进行预处理,以提高图像质量。分别基于腐蚀算法、轮廓检测算法提取通风机性能曲线图像中的网格线和坐标文字,采用逻辑运算、中值滤波、轮廓检测和K3M算法提取风压性能曲线。以逐行像素识别方式识别风压性能曲线的像素坐标,采用模板匹配算法识别坐标数字,进而完成像素坐标到物理坐标的转换,实现风压性能曲线识别。将通风机风压性能曲线自动识别方法集成至通风网络解算软件,对通风机风压性能曲线进行识别试验,结果表明,该方法对单条风压性能曲线的采样速度为24 Samples/s,识别的风压性能曲线与原始曲线的重合度高,风压拟合值与原始值的最大误差仅为0.88%,较人工识别方法大大提高了通风网络解算效率和准确性。     

一种基于深度网络的显著性目标检测算法

针对目前已有显著性目标检测算法精度不高以及目标边缘模糊等问题,给出一种基于深度网络的显著性目标检测算法.该算法设计一个端到端的多尺度全卷积网络,在原始输入图像中运行一次即可直接得到像素级的显著性图像;通过基于图像四边的边界先验知识改进GMR流形排序算法,根据前景与背景是相对的这一理论提出背景计算;采用基于完全连接的C RF像素显著性细化模型提高相邻像素之间显著值的一致性,使生成的显著性目标突出.定性和定量的实验结果表明:该算法不仅提高了显著性目标检测的精确度,也可以有效解决目标边缘模糊问题.     

基于“前照法”的LAMOST光纤位置提取

LAMOST（大天区面积多目标光纤光谱天文望远镜）的整个系统对光纤定位单元的定位精度要求较高，为了使LAMOST可以精确对准天体目标，需要有一套光纤定位单元的位置检测装置可以高精度、高效地在大尺度范围内同时对数千个光纤位置目标进行精确检测。主要研究“前端照明图像处理方法”的光纤位置检测，通过对图像的预处理，采用基于半径的霍夫空间转换和最小二乘法拟合圆心的图像处理算法获取光纤的像素坐标，相比于传统的前端照明的图像算法提取像素位置，显著提高光纤位置像素坐标的检测精度和准确性，减少干扰光斑的影响，并通过实际拍摄验证前照法的稳定性，可以满足LAMOST的使用要求。     

基于改进YOLOV5的火焰检测算法

针对现有的火焰检测算法检测平均精度低、小目标火焰漏检率高的问题,提出一种改进YOLOV5的火焰检测算法。该算法使用Transformer Encode模块代替YOLOV5主干网络末端的CSP bottleneck模块,以增强网络捕获不同局部信息的能力,提高火焰检测的平均精度,并且在YOLOV5网络中增加CBAM注意力模块,增强网络提取图像特征的能力,对于小目标火焰能够较好地提取特征,降低小目标火焰的漏检率。将该算法在公开数据集BoWFire、Bilkent上进行实验,结果表明,改进YOLOV5网络的火焰检测平均精度更高,可达83.9%,小目标火焰漏检率更低,仅为1.6%,检测速率为34帧/s,相比于原YOLOV5网络,平均精度提升了2.4个百分点,小目标火焰漏检率降低了4.1个百分点,改进后的YOLOV5网络能够满足火焰检测的实时性和精度要求。     

改进的移动水质监测平台定位方法

为减小移动水质监测平台定位中测距误差对定位精度的影响,提出一种改进的定位方法。利用NanoPAN5375无线通信测距模块对平台进行定位检测,设计两点测距定位算法和误差修正算法,通过测距误差指纹库补偿测距值,根据面积比重得到修正的测距值,求解出目标点坐标。实验结果表明,该方法可满足移动水质监测平台中无线定位的精度要求。     

基于欧式距离变换的人体2D关节点标定

人体实时定位优化问题,关节点标定是构建人体模型、识别人体动作研究中要解决的一个关键问题。提出了一种欧式距离变换的人体2D关节点提取方法,从无手工干预的人体运动图像序列中自动实时定位关节点。首先采用欧式距离变换对图像序列中的人体目标对象进行细化,建立目标区域为单位像素宽的人体2D骨架模型,利用得到的关节点八邻域像素值情况进行查询,从而提取出对应的人体2D关节点的真实位置坐标。实验结果表明,与已有方法相比,改进方法简单有效,能够从多种不同运动状态的人体图像上提取出准确的人体关节点位置坐标,并具有较高的精度和准确性。     

基于特征融合的图像型火灾探测方法

针对传统火灾探测中灵敏度不高、响应慢的问题,提出一种基于特征融合的图像型火灾探测方法.结合火焰的颜色、运动以及闪烁特征,检测出疑似火灾区域中的火焰像素,排除非火焰像素,并用支持向量机对疑似火焰像素进行验证,采用形态学方法和区域融合判断出火灾区域.实验结果表明,该方法对多种火灾和非火灾场景具有较好的适应性、较强的抗干扰能...     

融合目标增强与稀疏重构的显著性检测

目的 为了解决图像显著性检测中存在的边界模糊,检测准确度不够的问题,提出一种基于目标增强引导和稀疏重构的显著检测算法（OESR）。方法 基于超像素,首先从前景角度计算超像素的中心加权颜色空间分布图,作为前景显著图;由图像边界的超像素构建背景模板并对模板进行预处理,以优化后的背景模板作为稀疏表示的字典,计算稀疏重构误差,并利用误差传播方式进行重构误差的校正,得到背景差异图;最后,利用快速目标检测方法获取一定数量的建议窗口,由窗口的对象性得分计算目标增强系数,以此来引导两种显著图的融合,得到最终显著检测结果。结果 实验在公开数据集上与其他12种流行算法进行比较,所提算法对具有不同背景复杂度的图像能够较准确的检测出显著区域,对显著对象的提取也较为完整,并且在评价指标检测上与其他算法相比,在MSRA10k数据集上平均召回率提高4.1%,在VOC2007数据集上,平均召回率和F检验分别提高18.5%和3.1%。结论 本文提出一种新的显著检测方法,分别利用颜色分布与对比度方法构建显著图,并且在显著图融合时采用一种目标增强系数,提高了显著图的准确性。实验结果表明,本文算法能够检测出更符合视觉特性的显著区域,显著区域更加准确,适用于自然图像的显著性目标检测、目标分割或基于显著性分析的图像标注。     

基于改进YOLOv3的火灾检测与识别

现阶段火灾频发,需要自动进行火灾的检测与识别,虽然存在温度、烟雾传感器等火灾检测手段,但是检测实时性得不到保证.为了解决这一问题,提出了基于改进YOLOv3的火灾检测与识别的方法.首先构建一个多场景大规模火灾目标检测数据库,对火焰和烟雾区域进行类别和位置的标注,并针对YOLOv3小目标识别性能不足的问题进行了改进.结合深度网络的特征提取能力,将火灾检测与识别形式化为多分类识别和坐标回归问题,得到了不同场景下火焰和烟雾两种特征的检测识别模型.实验表明,本文提出的改进YOLOv3算法对不同拍摄角度、不同光照条件下的火焰和烟雾检测都能得到理想的效果,同时在检测速度上也满足了实时检测的需求.     

改进YOLOv5s的小目标烟雾火焰检测算法

针对复杂环境中,烟雾火焰检测存在精度低,小目标检测困难等问题,提出一种改进的基于YOLOv5s的小目标烟雾火焰检测算法。基于公开数据集自建了9 981张不相似的烟雾火焰图像数据集,解决现有数据集的限制,提高了模型的训练效率与泛化能力;在网络中添加3-D注意力机制SimAM,增加算法的特征提取能力,而且没有增加额外的参数;修改网络中的Neck结构,将三尺度检测改为四尺度检测,并结合了加权双向特征金字塔网络（BiFPN）结构,对特征融合过程进行修改,提高小目标的检测能力与特征融合能力;通过遗传算法来优化网络中的部分超参数,进一步模型的检测能力。实验结果表明,改进后的算法比原始YOLOv5s算法平均检测精度提高了7.2%,同时对小目标检测精度更高,误检漏检等情况减少。     

面向火焰快速检测的轻量化深度网络研究

在易燃易爆场合火灾控制中火焰极速检测意义重大,其对算法实时性、准确度、抗干扰性有较高要求。为此提出一种基于改进YOLOv4-tiny轻量化抗干扰火焰检测深度网络。引入类火目标图像与真实火焰图像并通过Mosaic数据增强方式建立鲁棒性火焰检测数据集;对YOLOv4-tiny骨干网络采用深度可分离卷积进行改进,使得原网络更加轻量化;在特征金字塔网络FPN(feature pyramid network)中融合多尺度特征提高网络对多层特征的学习表示能力,并引出多检测头以适应火焰爆发过程中不同尺度火焰的精准检测;在FPN中引入ECA(efficient channel attention)通道注意力机制进一步提高检测精度。实验结果表明,提出的YOLOv4-tiny-L4参数量仅为4.22 MB,准确率高达94.1%,执行时间仅为46 ms,满足火焰快速检测基本要求。     

改进AFSA算法优化TWSVM的火焰识别方法

为了快速有效地识别火灾火焰图像,提出了一种基于改进人工鱼群算法（IAFSA）的孪生支持向量机（TWSVM）的火焰识别方法。该方法根据RGB-YCbCr混合颜色空间模型中火焰像素的分布特点对火焰图像进行分割,并在此基础上提取火焰图像的相关特征;采用人工鱼群算法（AFSA）搜索TWSVM最优惩罚参数与核参数,并在AFSA算法中利用基于聚类的鱼群初始化方法来获得均匀的初始鱼群,同时采取自适应参数来调整人工鱼群的视觉范围和移动步长,另外在原有的三种行为的基础上提出了两种新的行为：跳跃行为和淘汰重生行为,提高了鱼群算法的寻优效率和求解精度;将提取的火焰各个特征量作为训练样本输入TWSVM模型进行训练;将待测试样本输入TWSVM模型进行分类识别。实验结果表明：相对于深度卷积神经网络VGGNet模型、Fast R-CNN算法、YOLO算法、传统支持向量机（SVM）、Grid-TWSVM、GA-TWSVM、PSO-TWSVM、FOA-TWSVM、GSO-TWSVM、AFSA-TWSVM,所提出的基于改进人工鱼群算法的孪生支持向量机的方法有效地提高了火焰识别准确率和实时性,解决了TWSVM在火焰识别时参数选择困难、常用参数寻优算法寻优时间长等问题。     

基于光幕触发CCD交汇连发弹丸坐标处理方法研究

针对CCD线阵交汇系统中测试弹丸连发坐标时以最大帧频连续拍摄,数据量过大而导致处理时间过长的问题,提出一种基于基于激光光幕触发的多峰值检测和自适应阈值弹丸检测的快速检测连发弹丸坐标方法。采用90°的“一”字线型半导体激光器配合原向反射屏形成光电探测靶面,光电转换模块将弹丸过靶时引起的光通量变化转换成电信号产生过靶信号,处理数据时先使用多峰值检测算法,根据获得的过靶信号波形计算出所有弹丸的过靶时刻和对应图像位置信息,并将该幅图像和临近两幅图像拼接成一幅组合图像作为该发弹丸的过靶图像,再使用基于自适应阈值的弹丸检测算法对其进行弹丸目标检测得到弹丸坐标。当该图像检测出多个像素坐标时,使用像素坐标剔除算法进行处理得到准确坐标。最后进行了4组对照试验,在得到正确连发坐标的前提下分别统计本文方法与传统方法的处理时间。结果表明与处理所有图像的传统方法相比,本文提出的方法在保证连发弹丸坐标正确率的前提下,提高了处理速度。     

基于快速支持向量机的图像型火灾探测算法*

图像型火灾探测的核心问题是火焰和疑似火焰物体的分类和识别。以火灾视频和疑似火灾视频为分析对象,提取了火灾图像的面积重叠率、圆形度以及火焰尖角数目三个特征量,选择快速支持向量机进行分类器训练,最终利用训练好的分类器实现了火焰及干扰物体的分类识别问题。实验结果表明,该算法提高了火灾图像的分类精度和火灾识别的准确率,同时具有较高的检测效率。     

改进YOLOv5网络的鱼眼图像目标检测算法

针对目标检测算法应用在鱼眼图像数据集上检测精准率低、算法实时性差等问题,提出了在化工场景下利用改进网络YOLOv5进行鱼眼图像中的目标检测算法。由于无公开化工场景鱼眼图像数据集,提出了利用不同类型图像间像素点的坐标关系,将数据集转换为同鱼眼图像具有相同畸变效果的图像。为消除鱼眼图像中有效区域外的冗余信息,将线扫描算法应用到YOLOv5s数据预处理阶段。为在缩减模型的同时保证算法的检测精准率,提出了采用注意力机制scSE和空洞卷积来改进轻量级网络ShuffleNetV2,并利用改进后的轻量级网络代替原YOLOv5s中主特征提取网络。实验结果表明,在实验设置相同的条件下,改进后的算法在模型从27.4 MB缩减到14.2 MB的情况下,检测精准率从97.86%提高到98.46%。     

一种快速火灾识别方法

Intelligent fire recognition system is an important part of constructing wisdom city and preventing fire, which can well guarantee the safety of people's lives and property. Concerning the contradiction of accuracy and real-time in image fire recognition, a rapid fire image recognition method is proposed. Firstly, the segmentation method combining watershed segmentation and automatic seeded region growing is adopted to make suspected flame region segmentation in a complex environment, and the multithreading technology is used to improve the processing speed, so it is conducive to real-time fire recognition. Then, we extract the significant characteristics such as roundness, sharp corners, corrosion resistance, flame core features such as relative coordinates, the relative area in the suspected areas as fire classification, reduce the dimension of feature space and the amount of calculation. Radial basis function (RBF) neural network is adopted to complete the fire recognition, and it shortens the time of fire recognition and improves fire recognition accuracy. The experiment results show that the suspected area extraction accuracy is 90%, the fire recognition accuracy is 85%, the method can improve the precision and speed of the fire recognition.