基于MobileNet卷积神经网络的焊缝缺陷识别

针对焊缝X射线图像缺陷识别传统方法的计算量大与准确度差的问题,提出了基于MobileNet的识别方法。首先对样本图像进行预处理和数量上的增强;然后引入MobileNet结构以解决传统深度卷积神经网络中对计算资源要求高的问题,引入残差结构与ELU激活函数以解决原始MobileNet网络中出现的退化问题与权重偏置更新失效的问题,在训练时应用迁移学习方法,解决小数据集容易过拟合与训练效率低的问题;最后,针对相同数据集,与改进前的网络、AlexNet网络和VGG-16网络进行对比,表明该文方法具备更优的识别准确率和相比传统网络拥有更小的计算量,相比传统网络的缺陷识别方法拥有更大的应用范围。     

交替滤波的加权形态边缘检测算法

针对常用的边缘检测算法因卷积运算造成图像边缘模糊,提出一种基于交替滤波的加权形态边缘检测算法.利用交替滤波滤除噪声以减少对边缘检测的干扰,进而作多方向的条件边缘检测来得到各方向的最佳边缘,然后把这些边缘进行归一化运算并加权求和得图像的合成边缘,最后进行阈值处理得到包含各个方位的最佳边缘结果.实验结果表明,用基于交替滤波的加权形态边缘检测算法可有效克服噪声影响,得到理想的图像边缘.     

估算红外成像作用空间分辨率的新方法

提出了一种新的基于特征熵的估算红外成像作用空间分辨率的方法，研究红外目标在各分辨等级（发现、识别、确认）所需的红外成像空间分辨率。首先，通过下采样获取各分辨率等级下的目标图像；其次，提取目标的特征（纹理、形状和全局统计特征），并对目标的特征空间进行归一化，得到其特征直方图；然后通过计算其特征熵，度量目标的信息量；最后根据设定的阈值，给出红外目标在不同的识别等级下所需的最低成像分辨率结论，并以计算机仿真红外目标为例进行验证。实验结果表明:文中结论与识别结果较好吻合，能够为红外识别系统的优化设计和分析提供参考依据。     

基于改进YOLOv4的自动驾驶场景车辆检测

针对自动驾驶场景,现有车辆检测算法对小目标车辆检测效果不好,导致车辆检测精度不高的问题,该文提出改进YOLOv4算法。首先增加小目标检测层,降低小目标车辆的漏检率;然后使用EIoU(efficient intersection over union)损失函数替换CIoU(complete intersection over union)损失函数,降低算法的边界框回归损失,提高算法的检测精度。在数据预处理阶段采用Mosaic数据增强的方法提高小目标车辆的训练效果,以及使用K-Means聚类算法选出更合适的检测锚框。在KITTI数据集上实验,改进算法平均检测精度为95.84%,检测速度为37.12帧/s,相比YOLOv4算法,平均检测精度提高2.84%。实验结果表明,改进YOLOv4算法达到了提高车辆检测效果的目的。     

基于免疫算法的热成像作用空间分辨率研究

借鉴生物免疫机制,提出一种基于免疫算法的自动目标识别性能与热成像分辨率关系的分析方法,研究热红外目标在不同分辨等级（发现、识别、确认）所需的热成像空间分辨率。该方法以红外多分辨率目标作为研究对象,根据免疫机制的反向选择原理计算各分辨率对应的配准概率,并与设定门限比较,从而给出热红外目标在各任务等级的最低分辨率要求。最后以计算机仿真的红外目标为例进行了验证。