一种基于图像融合和卷积神经网络的相位恢复方法

相位恢复法利用光波传输中某一(或某些)截面上的光强分布来传感系统波前,其结构简单,不易受震动及环境干扰,被广泛应用于光学遥感和像差检测等领域.传统相位恢复法采用迭代计算,很难满足实时性要求,且在一定程度上依赖于迭代转换或迭代优化初值.为克服上述问题,本文提出了一种基于卷积神经网络的相位恢复方法,该方法采用基于小波变换的图像融合技术对焦面和离焦面图像进行融合处理,可在不损失图像信息的同时简化卷积神经网络的输入.网络模型训练完成后可依据输入的融合图像直接输出表征波前相位的4-9阶Zernike系数,且波前传感精度均方根(root-mean-square,RMS)可达0.015λ,λ=632.8 nm.研究了噪声、离焦量误差和图像采样分辨率等因素对波前传感精度的影响,验证了该方法对噪声具有一定鲁棒性,相对离焦量误差在7.5%内时,波前传感精度RMS仍可达0.05λ,且随着图像采样分辨率的提升,波前传感精度有所改善,但训练时间成本随之增加.此外,分析了实际应用中,当系统像差阶数与网络训练阶数略有差异时,本方法所能实现的传感精度,并给出了解决方案.     

光学镜片外观瑕疵视觉检测方法

介绍了一种基于计算机视觉检测光学镜片外观瑕疵的方法。该方法主要针对麻点、划痕、毛刺和破边等瑕疵,并根据瑕疵在侧面光源作用下发生漫反射,产生亮光斑或亮光带的原理,开发了基于反射检测法的瑕疵检测装置,检测装置的工作节拍不超过5 s/片。创新使用了黑体作为暗背景,提高了瑕疵的对比度。视觉检测中利用了总面积检测法来检测镜片表面的麻点和划痕,利用边缘毛刺检测法来检测镜片边缘的毛刺和破边。在试验中检测了53块直径10 mm的镜片,准确率达到100%。最后给出了基于31万像素CCD的检测结果,其中OK镜片总瑕疵量≤100 pixel,最高灰度值≤80,麻点和划痕镜片的总瑕疵量介于200 pixel～600 pixel之间,最高灰度值≤210,毛刺/破边镜片总瑕疵量≤100 pixel,最高灰度值介于200～255之间,可见麻点镜片和划痕镜片的总瑕疵量明显比毛刺/破边镜片和OK镜片高。     

基于稀疏编码和卷积神经网络的地貌图像分类

提出了一种基于稀疏编码和卷积神经网络的地貌场景图像分类算法;利用非下采样Contourlet变换对训练样本进行多尺度分解;在训练样本中选择图像,利用稀疏编码学习局部特征,对特征向量进行排序;选择灰度平均梯度较大的特征向量对卷积神经网络卷积核进行初始化。结果表明:所提算法可以获得比传统底层视觉特征更好的分类结果,有效避免了网络训练陷入局部最优的问题,提高了自然场景下无人机着陆地貌的分类准确率。     

基于卷积神经网络的目标检测硬件加速器设计

基于卷积神经网络的深度学习算法的检测识别精度已远远超过了传统模式识别算法,但卷积神经网络中的卷积、非线性激活等运算,需要巨大的算力才能高效率实现,这使得很多深度学习算法模型难以在算力限制的嵌入式平台上进行部署。以目标检测算法YOLO-V3为例,针对网络的不同层设计了对应的FPGA实现方法,并且特别针对卷积层设计了分片分块并行运算的运算单元,最终在FPGA中实现了一种目标检测硬件加速器。该加速器可充分利用FPGA的硬件计算资源,其整体平均性能为192.229 GOP/s。通过实验对比,证明该目标检测硬件加速器可以为嵌入式红外目标识别系统提供一种能效高、识别精度高的解决方案。     

联合连续学习的残差网络遥感影像机场目标检测方法

在现有的高分辨率、大尺度目标遥感图像的检测中,传统方法由于提取特征手段单一、速度慢而无法快速并准确地从光学遥感影像中实现机场目标的识别。受人类视觉系统层次认知的启发,提出了一种适用于中高分辨率光学遥感影像的机场目标检测网络(CLRNet)。首先构建深度残差块,并将其作为特征提取网络;然后基于生成的样本核心集,采用连续学习方式从海量遥感数据中逐次迭代,精调机场检测模型;经过连续学习得到了鲁棒性强、遗忘度低的检测模型,该模型可以准确快速地从海量复杂背景下的光学遥感影像中识别出机场目标,而且对薄云遮挡以及卫星拍摄不全的机场有较好的识别效果。选取国产吉林一号卫星影像数据集进行测试,结果表明:所提方法的检测精度mAP(IoU不小于0.5)可达0.9613,每景的检测时间为0.23 s。     

基于三维空洞卷积残差神经网络的高光谱影像分类方法

高光谱影像是典型的高维数据,在光谱维和空间维都包含了大量信息。针对高光谱影像分类时光谱维数据量巨大的特点,提出一种基于三维空洞卷积残差神经网络的高光谱影像分类方法。该方法以高光谱像元立方体作为数据输入,使用三维卷积核同时提取高光谱数据的空间维和光谱维特征,并通过在卷积核中引入空洞结构,在不增加网络参数量和不消减数据特征的情况下提高卷积核的感受野,从而提高神经网络的分类的精度。该方法利用残差结构避免了由网络层数加深导致的梯度消失问题,最终使用Softmax分类器完成高光谱像元的分类工作。实验结果表明:所提方法在Indian Pines和Salinas数据集上分别取得了97.303%和97.236%的总体分类精度,与各对照组相比具有更好的分类效果,由此证明所提方法可以提升高光谱影像的分类性能。     

基于3D Octave卷积和Bi-RNN注意力网络的高光谱图像分类方法

传统卷积神经网络模型在高光谱图像分类生成特征图的空间维度中存在大量的空间特征信息冗余,而且把高光谱图像单个像元上的光谱带数据看作是无序高维向量进行数据处理,并不符合光谱数据的特性,极大影响了模型的运行效率和分类性能.针对该问题,提出一种三维Octave卷积和双向循环神经网络注意力网络相结合的高光谱图像分类方法.首先,利...     

基于混合自适应小波基的织物疵点检测算法

为了改进具有复杂纹理织物的疵点检测效果,提出了一种基于混合自适应小波基的织物疵点检测算法,采用各自优化的自适应小波基实现对不同层织物图像的分解变换。首先对正常图像和其经一层小波分解后的低频子图像优化得到混合自适应小波基,然后用该小波基将织物疵点图像进行二层小波分解,最后采用阈值法对径向子图像进行分割得到检测结果。实验结果证明,本文提出的算法能有效实现疵点检测,具有较好的疵点分割和定位结果。     

基于DSP和图像分割的织物疵点实时检测方法

疵点自动检测是纺织品缺陷在线检测领域的一个研究热点;为满足高速实时疵点检测应用要求,构建了基于TMS320DM642的织物疵点检测硬件系统;该系统由光源与成像、图像采集与实时处理、结果显示与统计分析等部分组成,能充分利用数字信号处理器的高速运算能力,有效提高系统的检测速度;并提出一种基于自适应阈值分割的疵点检测算法,通过增强织物图像灰度直方图波谷对应阈值的检测概率,有效提高了疵点图像的分割准确性;最后,在所建硬件系统平台上利用该算法进行了棉坯布疵点检测实验,疵点检出率达到93.6%;结果表明,本系统可自动实时检测织物疵点,且检出效率高。     

基于灰度共生矩阵与反向投影的织物疵点检测

针对织物疵点检测,将灰度共生矩阵（Gray-level Co-occurrence Matrix,GLCM）与反向投影结合起来,提出了一种基于GLCM的反向投影方法（GLCM-BP）。首先介绍了GLCM-BP的原理,然后给出了织物疵点检测流程,分析并优化了GLCM的距离d与灰度级N等参数,选择了相应的滤波与自适应阈值分割方法以检测疵点,同时给出了7种常见疵点的检测结果。最后将本文方法与GLCM方法作了检出率的比较。结果表明,提出的方法具有良好的疵点分割效果,可显著提高疵点检出率。     

基于改进差分盒算法的织物疵点自动检测方法

根据织物检测的实际情况需要,提出了基于差分盒算法的改进算法,在使用Brodatz纹理库样本的前提下,分别在盒子高度确定、盒子总数统计以及网格中盒子数量确定3个方面进行改进,在算法时间和精度两项上,对经典差分盒算法和改进算法进行了比较,对比得出了改进算法的时效性;还应用了改进差分盒算法对3种常见纹理的疵点织物进行了计算,以确认疵点织物,并验证了改进差分盒算法;实验通过检出率、误检率、漏检率和检测精度4个检测精度参数表明,改进的差分盒算法可以有效地区分疵点织物和正常织物,该方法具有很强的实用性。     

基于径向基神经网络的太阳能电池缺陷检测

为了检测太阳能电池的缺陷,建立了太阳能电池板的电致发光(EL)图像与其缺陷类型间的神经网络预测模型,可以对太阳能电池板不同类型缺陷进行自适应检测。首先,采用主成分分量分析(PCA)算法对电致发光(EL)图像训练样本集降维;然后,将降维后得到的数据输入神经网络预测模型进行学习,对模型的参数进行优化选取;最后,将训练好的网络对测试样本集进行仿真。仿真结果表明:在采用相同的训练样本集和测试样本集条件下,与反向传播神经网络(BPNN)相比,径向基神经网络(RBFNN)具有全局最优特性,结构简单,最高识别率达96.25%,计算时间较短,能满足在线检测的要求。     

基于改进DenseNet网络的室外太阳能电池板缺陷检测方法

太阳能电池板的表面是否完整无损对于其发电效率起着决定性的作用,传统的人工检测法、红外穿透检测法、机器视觉检测法等都存在各自的缺点。由于室外太阳能电池板具有图像获取难度大、样本数量小、样本相似度高等问题,大多深度学习算法并不能出色地完成室外太阳能电池板缺陷检测任务。针对该任务的特殊性,提出基于改进DenseNet网络模型的缺陷检测方法,选取DenseNet基础网络模型,在模型中加入L2正则化,并调整Batch Normalization层以解决过拟合问题;将激活函数ReLU函数替换为SELU函数,更好地缓解了梯度消失问题,加强了网络的鲁棒性。实验结果表明,训练集准确率到达93%,测试集准确率达到87%,能有效地检测并区分出电池板不同程度的损伤。     

基于卷积神经网络特征提取的拉曼光谱分类研究

拉曼光谱物质定性识别已被广泛的应用于化工、安防、缉毒等行业和研究领域,但是传统的拉曼光谱分析技术依赖于光谱数据库,通过光谱特征提取进行识别。特征提取是拉曼识别的关键处理步骤,通常利用主成分分析,因子分析等方法进行特征提取,而后通过KNN,SVM和随机森林等方法进行光谱特征定性识别,当拉曼数据库不存在待定性物质时,易造成待检测物质的错误分类。针对此问题,提出一种基于卷积神经网络的对数据库缺少物质光谱识别方法。在实验过程中,采用九类,200余种精神类药品拉曼光谱作为测试对象,通过搭建卷积神经网络自动特征提取并利用Softmax分类器将200余种物质,按照Amphetamine, cathinone, cannabinoids等九种类别进行定性分析。通过与传统机器学习方法如K近邻,支持向量机等方法进行比较,基于卷积神经网络的模型识别准确性有显著提高,该方法可为拉曼光谱数据库的光谱识别检索提供一种新的识别方法。     

基于电致发光成像的太阳能电池缺陷检测

为了检测太阳能电池存在的缺陷,给太阳能电池施加一定的正向偏压,利用CCD相机在暗室中探测电池的发光。 探测分别在3种状态下进行:无滤光探测、过滤800 nm以下波长后探测和过滤800 nm以上波长后探测。研究发现:只有在过滤800 nm以下波长的镜片下探测效果最好,表明电池主要发红外光,其波长范围为850~1 200 nm。控制光探测器的探测时间,发现不同探测时间下电池的发光强度不同,探测时间相同但偏压不同则光强也不同。该方法可以检测出正向偏压下电池存在的各种缺陷类型。在反向电压下,薄膜电池会出现小光点,这表示缺陷区域和密度,研究证明薄膜电池也能发红外光且薄膜中存在区域缺陷。对低功率的电池片进行光探测发现,电池存在严重缺陷。上述结果表明,红外光探测可以直观、快速、方便地检测太阳能电池存在的缺陷。     

卷积神经网络和近红外光谱的土壤pH值预测

土壤pH值是影响土壤养分转化和土壤肥力的关键因素,使用近红外光谱技术对土壤pH值进行检测可为土壤资源的开发利用提供重要依据.卷积神经网络作为深度学习在人工智能方面的典型算法,由于其结构具备"局部感知,权值共享"的能力,因此不仅能够对复杂的光谱数据进行特征抽取,还能够减少网络的训练参数,提高网络的运算效率.将卷积神经网络...     

基于单幅测量图像的三维缺陷检测技术

为了对缺陷进行更加全面的判断,设计了一种新型三维缺陷检测方法,只需要根据单幅实时测量的工件图像,就可获得0°~180°范围内工件形貌的三维数据,进而对缺陷的平面及深度尺寸进行全面判断。其核心技术是根据单幅测量图像中留下的三维线索—灰度信息,进行亮度分析和转换,利用倾角和偏角计算物体深度信息。在工业现场磁性材料缺陷检测中,该方法在X和Y方向的分辨力达到0.1 mm,Z方向的分辨力达到0.007 mm。实验证明所使用的三维缺陷检测方法,工作方式简单,硬件成本低,处理速度快,精度高,适宜在工业现场应用。