基于机器视觉的匣钵缺陷检测系统

针对锂电材料行业匣钵缺陷检测需求,设计了一种基于机器视觉的匣钵缺陷检测系统。该系统结合了光度立体算法以及机器学习算法,使用光度立体算法检测匣钵的腐蚀和裂纹,使用机器学习算法检测匣钵的缺口,并通过大量的模型训练来进行缺陷判别。通过实验测试,该系统具有较好的匣钵缺陷检测效果,大大提高了检测效率。     

中性线修正型变截面梁类构件压电控制

传统绝对节点坐标法(absolute nodal coordinate formulation,ANCF)在变截面梁类构件建模过程中常以几何中位线等效构造单元中性线,难以对变截面单元位移场状态进行精确描述.为解决此类问题,本文以中细型变截面梁类构件为研究对象,深入考虑变截面结构几何因素及复合材料属性对变截面梁类构件中性...     

基于十字激光的双目视觉钻铆孔质量检测

为了获得飞机蒙皮自动钻铆中锪孔的孔径尺寸和锪窝的深度信息,本团队搭建了一套基于双目视觉的检测系统。在立体匹配环节,该检测系统以十字激光在钻铆孔上的交点作为匹配基准,构建左右图像边界点的投影映射模型,同时采用基于模拟退火算法的多层感知器模型对脱离映射关系的边界点进行二次修正优化,解决了边界区域因亮暗变化差异微小导致的误匹配问题,保证了边界点的匹配精度;在双目视觉的三维重建中,以拟合空间曲线的方式建立钻铆孔的空间圆锥模型,从而得到钻铆孔的内孔孔径和锪窝深度。实验结果表明,基于十字激光匹配方法生成的点云数据的法向绝对偏差小于0.018 mm,而孔径测量误差以及锪窝深度测量误差均在0.04 mm以内,有效提高了钻铆孔的检测精度。     

基于数字虚拟技术的环境艺术三维景观模型构建

本研究基于环境艺术景观设计数字化方面的需求,提出了一套基于数字虚拟技术的环境艺术三维景观模型构建方案,通过分解三维颜色特征空间特征的方式重构乡村景观三维模型,并对该模型的重建效果进行了仿真分析。     

基于多尺度批量特征丢弃网络的行人重识别研究

针对行人重识别存在的遮挡和姿势变化问题和目前网络识别率低的缺陷,提出了不同空间维度的多分支行人重识别网络模型。首先利用IBN-Net50-a为基础骨干网络提取特征;然后对最后两层卷积层融合批量特征丢弃方法,以增强局部区域专注特征学习;最后拼接不同维度的特征,获得更多浅层、深层的有用信息。在网络训练时,采用三元组损失和标签平滑损失联合策略训练。使用三个常用的基准数据集Market1501、DukeMTMC-reID、CUHK03进行实验验证,并按照主流策略划分数据集。实验结果表明,所提方法的特征泛化能力较好,其中在Market1501数据集的Rank-1和平均准确率（mAP）分别达到95.3%和86.8%;在DukeMTMC-reID数据集的Rank-1和mAP分别达到88.5%和75.9%;在CUHK03数据集的Rank-1和mAP分别达到80.9%和77.8%。     

基于特征优选模型的Siamese网络目标跟踪算法

针对目标跟踪序列背景复杂、目标大尺度变化等导致目标辨识难度大的问题,提出了基于特征优选模型的Siamese网络目标跟踪算法。首先构建深度网络,有效地提取深度语义信息。再利用沙漏网络对多尺度下的特征图进行全局特征编码,将编码后的特征归一化处理,获取有效目标特征。最后构建特征优选模型,将解码获取的特征作为选择器甄别原特征图的有效特征并增强。为了进一步提高模型的泛化能力,引入注意力机制,对目标特征自适应加权,使其适应场景变化。最终提出算法在OTB100标准跟踪数据集测试成功率达到0.648,预测精度达到0.853,实时性为59.5 frame/s;在VOT2018标准跟踪数据集测试精度为0.536,期望平均覆盖率为0.192,实时性为44.3 frame/s,证明了该算法的有效性     

融合自适应注意力机制的Faster R-CNN目标检测算法

针对Faster R-CNN目标检测算法存在的定位和检测精度问题,设计了一种可嵌入Faster R-CNN目标检测算法并进行端到端训练的可移动的注意力（MA）模型。首先,为了获取更加精确的空间位置信息,MA采用两个自适应最大池化分别基于输入特征图的水平和竖直两个方向进行特征聚合,生成两个独立的方向感知特征图;其次,为了防止模型过拟合,使用Sigmoid激活函数增加网络非线性;最后,为了充分利用已经得到的空间位置信息,将具有非线性的两个特征图与输入特征图依次相乘以增强输入特征图的表征能力。实验结果表明：基于MA改进的Faster R-CNN目标检测算法有效地提升了网络对感兴趣目标的定位能力,并且平均检测精度也得到了明显的提升。     

一种用于激光焊接参数运算的可配置型BP神经网络计算加速器

人工神经网络在各类激光技术中有着广泛应用,但是传统的流水展开架构加速器无法处理激光焊接参数提取、激光诱导击穿光谱分析等计算任务所需的多种反向传播（BP）神经网络。本课题组基于Xilinx PYNQ-Z2开发平台设计并实现了一种面向激光焊接技术的BP神经网络可配置型计算加速器架构。采用可配置架构设计和复用运算单元互连的方式,硬件电路可拟合成多种BP网络结构,加速器具有灵活的可配置性;同时,采用基于多级缓存结构的数据读取方法,解决了加速器运算阵列在读入数据时因多次访问片外存储器而导致的读取速度的瓶颈。基于实际激光焊接参数数据集的计算结果表明,所设计的加速器可以高效地加速具有多种神经元数量的BP神经网络。与嵌入式处理平台相比,加速器的典型网络运算性能平均有10.5倍的提升,神经元数目超过100的大型网络运算性能有56.4倍的提升,并且处理速度优于改进前于同一平台实现的普通加速器。     

基于YOLOv3的农田鸟类目标检测算法

针对近年来鸟类啄食对农业生产带来的损失,通过实时检测鸟类优化传统驱鸟器开关策略,提出了一种基于YOLOv3检测鸟类的目标检测算法。该方法对YOLOv3网络中特征融合进行改进,将SE模块嵌入进主干网络的Darknet53网络中,关注不同通道特征的重要程度。采用自适应空间特征融合（ASFF）增强网络中特征金字塔网络（FPN）的特征融合,提升各尺度的检测能力。引入CIOU边界框回归损失函数,将预测框和目标框在有重叠甚至包含等情况考虑进去,使目标框回归变得更加准确和稳定。改进后的YOLOv3模型在自制鸟类数据集上的精度均值（AP）达到96.65%,单张图像检测耗时仅为0.058 s,相比于原YOLOv3模型在检测速度变化不大的情况下AP提高了2.54百分点。该改进方法能达到很好的实时性和更佳的检测精度,对农田防治鸟害优化驱鸟器开关策略提供依据。     

一种视觉导航影像特征点整体匹配算法

视觉导航领域已有的影像特征点匹配算法主要基于描述子的相似性度量,由于需要大量特征点且缺少对影像整体特征的考虑,影像匹配的实时性和可靠性受到影响。为此,提出一种基于聚类分析的影像特征点整体匹配算法。该算法对特征点集进行基于距离的聚类分析筛选出具有代表性且重复率较高的特征点,参考特征点分布情况将目标影像和待匹配影像剖分为4个区域,从每个区域随机选取两个特征点计算基本矩阵,基于核线约束和位置约束进行特征点的整体匹配并依据特征点间的几何相似性对匹配结果进行检核。选取慕尼黑工业大学彩色-深度数据集、无人机、移动机器人拍摄的影像进行影像匹配试验,结果表明,提出算法匹配正确率高达到97.1%,平均匹配时间小于25 ms,可以满足实时匹配的要求。