基于视觉和深度学习的智能化中医检测系统

近年来人工智能技术快速发展,基于此该系统设计了一个基于视觉和深度学习的智能化中医检测系统。在本系统中,以中医的望闻问切中的望的思想的特点和研究为基础,通过编程实现人脸识别、肤色分析、脸部肤质检测和基于实时眼眶比的疲劳度监测,最后通过建立的中医辩证算法结合历史数据得到对于目前状态的分析与适当的建议等一系列功能。包括：通过摄像头获取当前用户的面部图像;通过面部图像识别出当前用户的身份;调取当前用户的标准健康状况数据;调取当前用户的历史健康状况数据;根据面部图像得到当前用户的当前痤疮数量数据以及当前诊断肤色;根据当前痤疮数量数据、当前诊断肤色、标准健康状况数据以及历史健康状况数据,给出针对当前用户的中医健康状况建议。该技术方案可以通过采集用户面部图像,快速对用户的健康状态和疲劳状态进行分析,并通过显示设备提醒用户注意。     

基于改进YOLO v5的非限定条件下车牌检测算法研究

深度学习是机器学习最新的研究方向,实践证明在OCR和Object Detection算法上采用深度学习算法精度更高、鲁棒性更好。利用深度学习进行车牌识别的过程主要分为车牌检测、车牌识别两大阶段。在非限制条件下,如光线、天气等因素造成的干扰,识别准确率仍是一项具有挑战性的研究工作,文章提出一种基于改进YOLOv5的算法,实现车牌快速定位,并通过实验进行论证,结果表明能够有效提高车牌检测的检测精度和速度。     

利用能力验证开展实验室质量控制

随着实验室认可活动的迅速发展,能力验证活动作为实验室认可的重要内容,也日益受到主管机构及认可实验室重视。能力验证活动是评价检测技术能力的一项重要依据,也是监控实验室能力的重要方法,文章以GSM最大输出功率能力验证为例,探讨了能力验证项目的组织策划全流程。     

基于PaddleDetection的通信塔识别App设计及部署撤回

文章研究了基于PaddleDetection的目标检测方法,并针对通信塔识别的具体应用场景,完成了模型的训练和App设计及部署。该方法具有识别精度高、开发过程快捷、部署灵活简单等特点,可应用于企业巡检、仓库分拣等领域场景。     

基于Matlab/GUI的数字图像边缘检测算法研究

为了对图像信息进行有效提取,利用数字图像边缘检测技术可以对图像进行信息的分离,这是一种基础的图像分割技术。目前研究的经典边缘检测算子有Roberts算子、Prewitt算子、Sobel算子、Laplace算子、Log算子、Canny算子等。文章通过开发的基于Matlab/GUI的系统实现这些算法,并通过大量的实验得到关于边缘检测算子对特定阈值和标准差的实验结论,在横向和纵向上对实验结果进行对比分析,并在此基础上对一些改进算子进行了实验研究。     

基于LSDANet的手机芯片屏蔽壳表面缺陷检测方法

为了解决手机芯片屏蔽壳表面白印缺陷微小、尺度各异等因素影响检测快速性和准确性的问题,本文提出一种基于长短连接通路和双注意力网络(long short link and double attention network, LSDANet)的手机芯片屏蔽壳表面缺陷检测方法。首先,通过构建基于编码和解码的语义分割模型和利用长短距离连接通路,提高网络模型对尺度各异缺陷的特征提取能力。其次,分别设计基于通道和空间的注意力机制,增大5—10 pixel尺寸的白印缺陷在空间和通道上的特征权重。最后,融合双注意力机制和长短距离连接通路分割模型,构建LSDANet缺陷检测网络,应用于手机芯片屏蔽壳表面缺陷检测。实验数据表明,LSDANet网络能够达到96.21%的平均像素精度、66.13%的平均交并比和39.03的每秒检测帧数,相比多种语义分割算法均具有更高的检测精度和速度。     

基于改进GMM与帧差法的运动棉杂率分析算法研究

针对清梳棉流程中产出棉含杂高、质量差的问题,结合改进高斯混合模型(Gaussian mixed model,GMM)与帧差法,提出一种局部运动棉杂率控制优化方法。首先针对清棉机除杂原理及棉杂特性进行分析;其次通过提取视频关键帧并改进GMM与帧差法对图像序列“与”运算实现目标的精确提取,进而通过设计GMM分类器获得棉杂率并进行分析;最后与传统的检测算法作对比验证。实验表明,改进后的算法在有效性以及实用性方面优于传统算法。同时,通过引入闭环控制能满足工业高精度、实时性的需求。     

基于双通道注意力的轻量化PCB缺陷检测研究

印刷电路板 (printed circuit board,PCB)在实际生产过程中存在缺陷样式多种多样、缺陷小、缺陷位置难以定位的问题,而一个巨大的模型难以实现实时检测的要求,且大量的深度可分离卷积层建立的轻量级模型也不能达到足够的精度,为此提出一种基于YOLOv5s的PCB缺陷检测算法。 将原始Backbone的Conv模块跟C3模块用GhostConv替换,在Neck部分则引入了一种新的轻量级卷积技术GSConv,减轻模型大小的同时保持精度,GSConv在模型的准确性和速度之间完成了一个极好的权衡,针对许多注意力模块无法关注全局信息同时模型大的问题,提出了多尺度的轻量化双通道注意力模块(double channel depthwise attention module,DWAM),进一步提高模型精度。通过多组实验, 结果表明,改进算法所有类别的平均mAP为99.14%,且模型的GFLOPs为7.194 G,Params为7.175,原始的YOLOv5s平均mAP为96.86%,GFLOPs为6.89 G,Params为6.596,虽然Params以及GFLOPs有所增大,但是还是满足轻量网络的要求,并且精度相对于YOLOv5s提高了2.25%,且对于每个类别的缺陷识别准确率都有改善,大幅减少计算量和模型参数的同时保证了准确率,满足工业检测生产需求的同时便于移动端部署。     

融合注意力机制的轻量级摔倒检测

摔倒检测大都依靠传感器设备,此类方法受设备自身和环境因素影响较大,常常无法发挥该有的作用,同时,基于视觉的方法往往实时性较差,鲁棒性不强。针对上述问题,本文提出了一种鲁棒性强、能有效部署在嵌入式设备上的轻量化摔倒检测算法。以YOLOv5为基准模型,首先,融合轻量级注意力机制模块,使网络更关注要识别的目标区域,增强网络的识别精度。其次,使用模型压缩方法对模型进行剪枝,减小模型体积和计算量,使模型轻量化,以提高推理速度和便于部署在嵌入式设备中。最后,对剪枝后的模型进行知识蒸馏,在不提升模型复杂度的前提下提升模型的检测精度。实验结果表明：本文模型相较于基准模型,mAP增加了1.7%,召回率提高了1.2%,模型体积减小了79.1%,浮点运算量降低了70.9%。将本文模型部署在嵌入式设备Jetson Nano上,检测速率达到13.2 frame/s,基本满足实时性摔倒检测的要求。     

基于YOLO V5的噪声条件下SAR图像舰船目标检测

为了提高YOLO V5模型对含高斯噪声合成孔径雷达(SAR)图像舰船目标的检测能力,提出一种改进的Focus结构,通过添加最大池化层、最小池化层、平均池化层、图像抽样层等结构,将图像切分过程改进为特征提取过程,通过构建混合样本集,得到目标检测模型。仿真结果表明,在不同程度的高斯噪声条件下,基于改进Focus结构的YOLO V5模型与经典的YOLO V5模型相比,检测效果得到明显提升,可有效实现含噪声目标的检测。