基于树莓派的智能监控系统设计与实现

随着人们的安全意识越来越强烈,监控系统在生活中得到广泛的关注和应用;针对市场上绝大多数监控系统智能化程度低,视频保存占用内存大,实时性差,对闯入目标不能及时报警等缺陷,设计与开发基于树莓派的智能监控系统;选用树莓派4B搭建硬件平台,搭载Linux系统,基于Python开发环境,结合图像采集模块,采用关联帧差分运动目标检测算法作为核心算法,实现运动目标检测;当系统检测到有目标闯入视野范围内时,开始录制目标闯入后的400帧视频,并将所录制的视频发送到指定邮箱,实现报警功能;在正常光线和昏暗光线下对系统功能进行测试,实验结果表明在不同光线强度、不同目标闯入情况下,系统能够准确识别目标闯入,实现监控、报警功能,实时性强、稳定性高,满足设计需求。     

基于对比学习生成对抗网络的无监督工业品表面异常检测

在工业品表面异常检测中，由于异常的未知性和无规则性，人工标注异常样本难度大、成本高，有监督的深度学习算法在工业品表面异常检测任务中存在局限性。针对上述问题，提出一种基于对比学习生成对抗网络(contrastive learning generative adversarial network, CLGAN)的无监督工业品表面异常检测算法。首先，建立基于无监督学习算法的CLGAN模型；其次，采用对比学习加强潜在特征空间正负例样本约束，使得输入与输出图像对应Patch之间的互信息最大化，增强正负样本特征向量区分度，使模型重构异常样本图像能力得到进一步提升；然后，在检测阶段，利用训练好的模型得到待测工业品的无异常重构图像，并计算得到待测样本与其对应重构图像之间的残差图像；最后，结合双阈值分割的后处理方法和数学形态学处理，实现工业品表面异常区域地快速检测和准确定位。通过在公共数据集MVTec AD上进行实验，与其他的无监督深度学习模型算法相比，所提算法具有更好的识别效果和更强的泛化能力。