生成式对抗网络在超分辨率图像重建中的应用

针对现有卷积神经网络图像超分辨率算法容易出现过拟合、损失函数的收敛性不足等问题,结合超分辨率算法和生成式对抗网络(GAN)理论,设计一种基于生成式对抗网络的超分辨率算法PESRGAN用于恢复四倍下采样的图像。首先使用残差密集块(RDB)作为基本结构单元,有效避免了过拟合问题;其次使用双层特征损失并使用渗透指数(PI)作为损失的权值,更好地去学习低分辨率到高分辨率图像之间的映射关系;同时使用VGG19作为判别网络高分辨率图像进行分类;最后使用经典数据集,将PESRGAN算法与双三次插值(Bicubic)、SRGAN、ESRGAN算法在客观参数和主观视觉效果进行对比。实验结果表明:在经典数据集上,PESRGAN的平均峰值信噪比(PSNR)达到25.4 dB、平均结构相似性(SSIM)达到0.73,平均渗透指数(PI)达到1.15,在客观参数和主观评价上均优于其他算法,证明了PESRGAN有良好的超分辨率重建的效果。     

基于面阵CCD的双边跟随式带钢测宽仪设计

为解决现有带钢宽度实时检测技术检测精度不高的问题,设计一种基于面阵CCD(电荷耦合器件)的双边跟随式带钢测宽仪。采用面阵CCD相机采集带钢边缘图像,减小边缘成像误差;针对带钢高速运动过程中上下抖动较大的情况,采用双边跟随式的方法使相机跟随带钢边缘移动,减小面阵CCD相机视场角误差;采用大小双视场ROI(感兴趣区域)差分边缘检测算法检测带钢边缘,减小因铁屑掉落和带钢边缘突变产生的误差。现场检测结果表明:设计的带钢测宽仪可对边缘不平整、上下抖动较大的带钢进行有效检测,且能有效避免铁屑掉落和边缘突变带来的误差;双视场ROI差分边缘检测算法精度可达0.055 mm,算法帧率达46 F/s,宽度总体精度可控制在1 mm以内,测量帧率达20 F/s,满足高精度与实时性检测的要求。     

卷积神经网络在车辆识别系统中的应用

针对工厂厂房和仓库无人门禁系统需对货运车辆单独检测与识别的特殊需求,提出一种融合Darknet19网络与SSD(Single Shot-multibox Detector)模型的车辆检测与识别模型。首先,采集真实场景中包括行人、叉车、货车的大量图片并进行人工标注,构建一个私有数据集;其次,在Caffe框架下使用ImageNet2012数据集重新训练Darknet19网络,并通过更换基础分类网络及在每个卷积层后加入批归一化(Batch Normalization)层等方式改进SSD目标检测模型,构建出一个新的端到端的车辆检测模型。结果表明,该模型对货运车辆的平均查准率可达99.2%,检测帧率可达72帧/s,准确率与实时性均满足厂区环境检测货运车辆的要求。