基于机器视觉的轮胎表面缺陷检测系统的研究与应用

在传统的轮胎表面缺陷依靠人工检测,存在劳动强度高、受人的主观影响大以及效率低下的问题。针对这一现象,研究了一种基于机器视觉的轮胎表面缺陷3D检测系统。该系统依靠机器视觉系统获取检测轮胎的表面图像,然后创建3D模型、判定缺陷类型,最终实现实时自动预警,为轮胎生产商提供一种自动化检测方案。系统集成了先进的技术、软件和工具,配套的信息管控系统可以对轮胎型号和生产数据进行采集、存储、分析,以便在生产过程中实现更高效、更可靠的质量控制,具有较高的实际应用推广价值。     

基于图像分割技术的图像数字水印算法研究

针对数字图像水印技术,通过对闭运算得到的图像再进行开运算,使实验得到的图像区域较为完整,采用4×4的正方形结构元素,使得图像区域有更多的白色像素被置为黑色,对图像进行取反操作,能够对图像区域的非连通区域进行填充.希望能够利用精确的图像分割算法,实现对复杂版面的文档图像的有效切割,在一定程度上对图像数字水印的推广起到促进作用.     

印刷电路板缺陷检测的实际应用

电路板在我们的日常生活中非常常见,这就使得印刷电路板的缺陷检测显得尤为重要。AOI作为新兴的检测PCB板缺陷的系统,在生产实际中正在被大家熟知并且应用。相较于传统的检测方式,AOI系统比较灵活,无论是在检测时间还是系统运算上,或者是对相关技术人员的要求相较于传统方式都比较有优势,本文就AOI系统在实际中的应用展开讨论,分析并且介绍了在实际应用中的具体细则。     

红外探水技术在隧道超前地质预报中的应用

对于超前地质预报,红外探水技术具有较高的应用空间,红外探测仪是一种非接触式防爆红外探测仪,其灵敏度高,可应用于煤矿井下的红外探测,如探水、探火、探瓦斯等防灾工作。通过对红外探水的基本原理、方法、布置方式和预报方式进行介绍,并对本技术在隧道超前地质预报应用中的优劣利弊进行阐述研究,为工程施工提供有价值的地质信息。     

基于密度聚类的光条中心线提取方法

为了解决线结构光3维测量中噪声光斑对提取精度的影响，采用了密度聚类灰度重心提取算法提取激光光条中心线。该方法由中心线预提取以及中心线最终提取两阶段组成，预提取阶段实现对激光与光斑两者中心线的同时提取，最终提取阶段采用基于连通性的密度聚类算法完整保留激光中心线并剔除噪声光斑。在仿真实验阶段，对大小为600pixel×600pixel、含有激光中心线的图像进行了加噪处理，并使用提取结果与真实中心线之间各点的均方根误差以及运行时间作为考察标准进行了实验研究。结果表明，该方法与传统灰度重心法相比，在高亮度各向异性光斑、高亮度小面积光斑、高亮度点噪声图像的均方根误差分别降低了12.59pixel，15.12pixel和83.36pixel，时间复杂度分别提高了0.383s, 0.412s和0.416s。该方法与传统灰度重心法相比具有更高的提取精度、近似的时间复杂度，且对噪声光斑具有较好鲁棒性，可以在噪声光斑图像中完整提取出光条中心线。     

一种家用手持式红外偏振光治疗仪的设计与实现

红外偏振光治疗仪是一种将红外技术与电子技术应用到医学领域的康复理疗设备,主要用于软组织损伤和慢性疼痛的康复治疗,已在医院得到了推广使用。然而,现有医院使用的台式治疗仪由于体积大、售价高等特点,不方便居家使用。为了开发体积小、售价低、家庭可用的红外偏振光治疗仪,满足家用市场的潜在需求,本文提出了一种新的便携手持式红外偏振光治疗仪,并开发了该智能控制系统。本文首先介绍了一种新的家用手持式治疗仪应具备的特点和关键技术指标,在此基础上设计了手持式治疗仪的硬件总体方案和软件架构,简要介绍了该治疗仪的一些关键技术,最终实现了治疗仪样机的研制。为了验证该样机的性能,本文通过大量的测试,结果表明,研制的手持式红外偏振光治疗仪在关键参数指标上达到了医院同类产品的水平,能够很好地满足家用的需求,具有良好的市场前景。     

基于深度学习的秀丽隐杆线虫显微图像分割方法

利用计算机实现自动、准确的秀丽隐杆线虫(C.elegans)的各项形态学参数分析,至关重要的是从显微图像上分割出线虫体态,但由于显微镜下的图像噪声较多,线虫边缘像素与周围环境相似,而且线虫的体态具有鞭毛和其他附着物需要分离,多方面因素导致设计一个鲁棒性的C.elegans分割算法仍然面临着挑战。针对这些问题,提出了一种基于深度学习的线虫分割方法,通过训练掩模区域卷积神经网络(Mask R-CNN)学习线虫形态特征实现自动分割。首先,通过改进多级特征池化将高级语义特征与低级边缘特征融合,结合大幅度软最大损失(LMSL)损失算法改进损失计算;然后,改进非极大值抑制;最后,引入全连接融合分支等方法对分割结果进行进一步优化。实验结果表明,相比原始的Mask R-CNN,该方法平均精确率(AP)提升了4.3个百分点,平均交并比(mIOU)提升了4个百分点。表明所提出的深度学习分割方法能够有效提高分割准确率,在显微图像中更加精确地分割出线虫体。