基于机器视觉的路面裂缝病害多目标识别技术

本文主要研究了基于机器视觉的路面裂缝病害多目标识别技术。随着社会的进步和时代的发展,传统使用人工识别路面裂缝病害的方法越来越表现出影响交通、准确度低、高成本、高危险的弊端,已经远远不能满足公路发展要求。近年来,随着图像识别技术和信息技术的日益发展,使用机器视觉识别路面裂缝病害的多目标识别技术的研究越来越多,本文主要阐述了基于机器视觉的路面裂缝病害多目标识别技术的相关概述,介绍了路面裂缝多病害和识别方法,对多语义机器视觉识别和多目标识别进行了研究,以期为高速公路的路面裂缝病害识别新模式提供进一步参考。     

一种改进的背景感知相关滤波跟踪算法

针对视觉目标跟踪复杂环境中的遮挡、运动模糊、形变以及背景干扰等问题,提出了一种改进的背景感知相关滤波跟踪算法,通过增加提取灰度特征(Histogram of Oriented Gradient,HOG)及颜色特征(Color Names,CN),提升了目标定位精度,并在此基础上采用多峰检测的模型更新策略抑制相似特征,解...     

基于机器视觉的扫地机器人设计

该文针对扫地机器人工作过程中无差别清扫的问题,结合机器视觉、电机操控技术、传感器技术等相关技术的应用,设计了一个新型扫地机器人。该设计实现了对垃圾的识别和分类,对不同类别的垃圾可以做出不同反应。该设计相比于传统扫地机器人,有效地提高了清扫效率,节约了电能,降低了扫地机器人对工作环境的要求。同时,无线遥控部分的引入实现了重点清扫的功能。经过800次现场调试,功能完成度可达96.5%,调试结果表明,所设计机器人的实时性、准确性和稳定性均达到了设计要求。     

基于特征累积的语义分割网络设计

语义分割是一种像素到像素的图像分类任务。而现有方法在处理此类问题时,往往忽略了不同图像之间类别分布的相似性。因此,该文提出了一种基于特征累积的语义分割网络,能够在训练的过程中,使用动量累积的方式,根据每张图像上不同的类别特征,拟合整个数据集的特征分布。除此之外,为了适应通用数据集中复杂的自然环境,该网络尝试对同一类别的特征聚类进行更深层次的划分,并且取得了较好的效果。与同样使用特征通道信息的OCRNet相比,使用ResNet作为骨干网络的情况下,该模型在Pascal Context数据集上平均交并比（mIoU）和平均准确度（mAcc）分别可以提升0.34%和0.64%;实验证明了这一优势在不同数据集、不同骨干网络中同样存在。     

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。     

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。