基于复Contourlet和改进数学形态学的火焰图像边缘检测

为进一步改善火焰图像边缘检测性能,提出了一种基于复Contourlet模极大值和改进数学形态学的边缘检测方法.通过复Contourlet变换将火焰图像分解成低频和高频子带,并对边缘细节较少的低频子带分量采用改进的数学形态学方法进行处理,检测出较弱的边缘并保证定位准确,而对高频子带分量采用复Contourlet模极大值法检测边缘,可有效减弱噪声,最后经融合得到火焰图像的完整边缘.结果表明:与Canny方法、小波模极大值方法、Contourlet模极大值方法和Contourlet形态学方法相比,所提方法在主观视觉效果、峰值信噪比等客观定量评价指标2个方面有明显的优势,具有更好的边缘检测效果,边缘轮廓更清晰完整,且具有很强的抗噪性能.     

基于机器视觉的太阳能电池片缺陷检测算法综述

太阳能电池片（Photovoltaic, PV）表面缺陷检测是光伏组件生产中不可或缺的流程。基于机器视觉的自动缺陷检测方法因其高精度、实时性、低成本等优点得到了广泛应用。本文综述了基于机器视觉的太阳能电池片表面缺陷检测方法的研究进展。首先,阐述了太阳能电池片表面成像方式,列举了典型缺陷类型。然后重点分析了基于传统机器视觉算法及基于深度学习算法进行太阳能电池片表面缺陷检测的原理。将传统机器视觉算法分为图像域分析法、变换域分析法进行综述;从无监督学习、有监督学习和弱监督及半监督学习三个方面分别概述了近几年来基于深度学习的太阳能电池片表面缺陷检测的研究现状。对太阳能电池片表面缺陷检测各种典型方法进一步细分归类和对比分析,总结了每种方法的优缺点。随后,介绍了9种太阳能电池片表面缺陷图像数据集及缺陷检测性能评价指标。最后,系统总结了太阳能电池片缺陷检测常见的关键问题及其解决方法,对太阳能电池片表面缺陷检测的未来发展趋势进行了展望。     

纯虚乘子FFT的最快速算法

本文定义了四种类型的ＤＦＴ（即ＤＦＴ一ｊ，ｊ＝Ⅰ，Ⅱ，Ⅲ，Ⅳ），探讨了四种ＤＦＴ之间的联系以及其固有特性，由此提出了适合于长度Ｎ＝２ｍ所有四种类型ＤＦＴ的纯虚乘子最快速算法。文中导出了用Ｋｒｏｎｅｃｋｅｒ直积与直和形式表示的算法公式；以长度Ｎ＝２３为算例给出了信号流图；分析了算法的运算量，并与传统的基２算法、基４算法以及现有的其它三种纯虚乘子ＦＦＴ算法进行了比较。结果表明，本文提出的算法所需运算量最少，用纯虚数作乘子，可进行原位计算，结构简单规则，易于实现。本文算法己用软件实现，并在实际中得到应用。     

二维直方图θ-划分Tsallis熵阈值分割算法

鉴于常用二维直方图区域直分法存在错分,最近提出的斜分法不具普遍性,而Tsallis熵与传统的Shannon熵相比,具有普适性且更为有效,本文提出了适用面更广的基于二维直方图θ-划分和最大Tsallis熵的图像阈值分割算法。首先给出了二维直方图θ-划分方法,采用四条平行斜线及一条法线与灰度级轴成θ角的直线划分二维直方图区域,按灰度级和邻域平均灰度级的加权和进行阈值分割,斜分法可视为该方法中θ=45o的特例;然后导出了二维直方图θ-划分最大Tsallis熵阈值选取公式及其快速递推算法;最后给出了θ取不同值时的分割结果及运行时间,θ取较小值时,边界形状准确性较高,θ取较大值时,抗噪性较强,应用时可根据实际图像特点及需求合理选取θ的值。与常规二维直方图直分最大Tsallis熵法相比,本文提出的方法所得分割结果更为准确,抵抗噪声更为稳健,且所需运行时间及存储空间也大为减少。      

超声相控阵用于无损检测的一种新方法

基于超声相控阵技术的无损检测在工业上已经得到广泛应用,相控阵技术的最大优点就是能快速控制和聚焦阵列换能器发射的辐射声束,根据换能器参数设置的不同,辐射声束也会随之改变。所研究的超声相控阵检测系统,对实时信号进行高速采集,将全部22个晶片发射和接收的信号进行存储,并通过检测系统数据处理软件将所存储数据处理,改善了信噪比,提高了横向和纵向分辨率,完成了被检测处的B扫描成像。实验证明：检测系统在工业无损检测方面有较好的应用前景。     

基于Tent映射CPSO和车牌纹理特征的车牌定位

针对现有车牌定位算法定位准确率不高和速度慢等问题,结合车牌纹理特征,提出了一种基于Tent映射混沌粒子群(CPSO)的车牌精确定位算法.首先用基于二维直方图区域斜分的OTSU方法对车牌图像做二值化处理;接着使用三组一维滤波器获取其二值纹理特征向量.然后利用基于Tent映射CPSO快速准确的全局搜索能力,结合二值纹理特征向量构造适应度函数,并引入车牌纹理的一致性度量作为判决条件,找到车牌区域的最佳定位参量.最后,与基于遗传算法(GA)和基本粒子群算法(BPSO)的定位方法进行了比较.实验结果表明,该方法适应性强,定位效果较好,运行时间更短.     

基于视觉的液晶屏/OLED屏缺陷检测方法综述

液晶屏（liquid crystal display,LCD）和有机发光半导体（organic light-emitting diode,OLED）屏的制造工艺复杂,其生产过程的每个阶段会不可避免地引入各种缺陷,影响产品的视觉效果及用户体验,甚至出现严重的质量问题。实现快速且精确的缺陷检测是提高产品质量和生产效率的重要手段。本文综述了近20年来基于机器视觉的液晶屏/OLED屏缺陷检测方法。首先给出了液晶屏/OLED屏表面缺陷的定义、分类及其产生的原因和缺陷的量化指标;指出了基于视觉的液晶屏/OLED屏表面缺陷检测的难点。然后重点阐述了基于图像处理的缺陷检测方法,包括介绍图像去噪和图像亮度矫正的图像预处理过程;考虑到所采集的液晶屏/OLED屏图像存在纹理背景干扰,对重复性纹理背景消除和背景抑制法进行分析;针对Mura缺陷边缘模糊等特点,总结改进的缺陷分割方法;阐述提取图像特征并使用支持向量机、支持向量数据描述和随机森林算法等基于特征识别的缺陷检测方法。接着综述了基于深度学习的缺陷检测方法,根据产线不同时期的样本数量分别总结了无监督学习、缺陷样本生成、迁移学习和监督学习的方法,其中无监督学习从基于生成对抗网络和自编码器两个方面进行阐述。随后梳理了通用纹理表面缺陷数据集和模型性能的评价指标。最后针对目前液晶屏/OLED屏缺陷检测方法存在的问题,对未来进一步的研究方向进行了展望。     

基于Contourlet变换的嵌入式图像编码

Contourlet变换的基函数分布于多尺度、多方向上,可仅利用少量系数有效地捕捉图像中的光滑轮廓.本文分析了Contourle变换的基本原理和变换特点,提出了基于Contourlet变换的嵌入式编码的方法,给出了所提出方法的实验结果,并与基于小波变换的嵌入式编码(EZW)方法进行了比较.实验结果表明,在压缩比相同的情况下,本文方法比EZW编码的PSNR性能稍优,在视觉效果上有明显的改善,尤其对包含较多精细纹理和轮廓的图像压缩效果更佳.     

基于Krawtchouk矩和支持向量机的火焰状态识别

监测炉膛火焰燃烧状态对防止锅炉爆管起着重要作用。为了进一步提高火焰图像特征提取的准确度和燃烧状态的识别率,文中将Krawtchouk矩引入火焰特征提取,提出了一种将Krawtchouk矩不变量与小波支持向量机相结合的火焰燃烧状态识别方法。首先计算火焰图像的Krawtchouk矩及Krawtchouk矩不变量,以此构造火焰图像的特征向量;然后根据训练样本的特征向量构造支持向量机,对火焰图像进行状态识别,并采用混沌小生境粒子群算法优化支持向量机中的核函数参数与惩罚因子,使其识别性能最优。大量实验结果表明:与基于Hu矩和支持向量机的方法、基于Zernike矩和支持向量机的方法相比,采用Krawtchouk矩不变量作为火焰图像的特征能更好地对火焰图像燃烧状态进行识别,识别率大大提高,且结果与实际情况相符。     

基于最小二乘支持向量机时域背景预测的红外弱小目标检测

针对信噪比较低时,如何有效地抑制自然背景对目标检测的影响,提出了一种基于最小二乘支持向量机(LS-SVM)时域背景预测的红外弱小目标检测方法。首先针对前几帧图像中对应同一位置像素点的灰度值序列,利用参数经粒子群优化的最小二乘支持向量机进行函数拟合,并据此预测下一帧图像在该位置处像素点的灰度值;然后将原始图像与预测图像相减得到预测残差图像,利用基于二维Tsallis-Havrda-Charvat熵的阈值选取快速算法进行分割,并根据小目标运动的连续性和轨迹的一致性进一步分离噪声和小目标。文中给出了实验结果及分析,并与现有的检测红外小目标的空域和时域背景预测算法进行了比较。结果表明所提出的算法具有更高的检测概率,明显优于已有的基于背景预测的红外小目标检测算法。