机器视觉技术的农业应用研究进展

 机器视觉技术已广泛应用到农业生产的诸多领域。综合国内外优秀研究成果,阐述了现阶段机器视觉在农业方面应用的主要形式,介绍了机器视觉在农作物精选与质量检测、植物生长信息监测、农田视觉导航等应用方向的研究成果,通过分析其创新性的图像处理算法、机器视觉系统的组成,提出了当前机器视觉农业应用仍存在可靠性差、成本高、智能化水平不高等问题。结合当前机器视觉在各种领域的研究和应用情况,对未来机器视觉在农业应用的发展方向进行展望,认为基于嵌入式处理模块和多技术融合的机器视觉系统将成为未来主要发展趋势,以卷积神经网络为代表的深度学习模型也将成为未来图像识别的核心技术,并将极大改善目前机器视觉在农业应用存在的诸多问题。     

深度学习在图像识别中的应用

深度学习通过建立深层神经网络来模拟人脑进行分析、学习和解释数据,被广泛用于图像识别领域.首先,简述了深度学习在图像识别中的研究现状;其次,介绍了卷积神经网络、深度置信网络、循环神经网络和生成对抗网络等几种常用于图像识别领域的深度学习网络模型;然后,从人脸识别、动作识别、跌倒检测等方面,论述了深度学习在图像识别领域的典型应用;最后,探讨了该领域的研究难点及发展前景.深度学习可以从不同的图像中自动提取相似的特征并进行分类,识别率高,鲁棒性强,推动了人工智能背景下图像识别的发展.无监督学习、对抗网络等将成为深度学习领域的热点.     

深度学习在目标检测的研究综述

现如今计算机视觉领域的研究热点之一是目标检测,其根本是对图像中指定目标的识别。而深度学习是目前发展快速,应用广泛的一种技术,其具备的学习能力可以在目标检测中对目标进行图像识别、特征提取以及分类识别等操作。通过介绍深度学习的研究进展、分析了各种网络模型的特点。最后总结了深度学习在目标检测领域的应用发展,结合当前问题和挑战,分析了以后的研究发展。     

舰船目标识别技术研究进展

 舰船目标的有效识别和监控对维护海洋权益、保障海上航行安全至关重要。根据舰船目标信息的获取形式，从辐射噪声信号、雷达回波信号、卫星遥感图像、合成孔径雷达图像、红外图像、可见光图像几个舰船目标的主要信息获取来源出发，阐述了舰船目标识别技术的研究进展，总结分析了目前基于不同信号源的舰船目标识别方法普遍存在的具有高度任务相关性、计算成本高与运行时间长等问题。结合深度学习技术在语音识别、图像识别等领域的发展，建议将基于深度学习技术的典型目标识别方法Faster R-CNN及YOLO引入舰船目标识别领域，以研究鲁棒性更好、准确率更高、实时性更强的舰船目标识别方法。     

基于机器视觉的目标识别方法的研究进展

随着社会的不断发展,机器视觉系统在各行业已被广泛应用,基于目标检测与目标识别的图像处理方法在机器系统中有了主要的应用途径,总结近年来使用机器视觉研究中用到的目标识别方法,包括Blob分析法、模板匹配法、深度学习法,详细讨论这些目标识别方法的原理、优劣以及在各个领域中的应用。首先介绍了基于机器视觉的目标检测识别的任务、难点和发展现状,其次基于深度学习方法的目标检测识别算法,最后讨论当前实际应用中目标检测识别方法存在的问题和未来可能的发展方向。     

基于分水岭分割和颜色深度特征的眼球图像识别算法研究

为了提高眼球手术的成功率,提出了基于眼球图像分割和深度学习颜色特征的眼球图像识别算法.联合图像分割技术和深度学习技术,建立眼球精准识别机制.首先,采集眼球手术视频和图像,并结合阈值分割、分水岭分割和颜色区域分割,实现眼球目标的分割;然后,基于卷积神经网络,运用Python和pytorch的开源框架,开发深度神经网络识别模型,并结合大数据中医诊疗经验,构建专家检测系统,以准确定位眼球;最后,根据用户软件需求,开发出具有图像采集、视频采集、电子信息履历保存等应用功能的客户端软件.实验测试结果显示:算法有利于眼球图像分割系统的落地,为智能眼球图像分割系统设备提供了算法和软件参考.     

基于深度学习网络模型与大数据自动训练的工件缺陷识别算法研究

针对工件缺陷种类多样和特征不明显,造成机器视觉识别精度不稳定的问题,提出了一种基于深度学习网络模型与大数据自动训练的工件缺陷识别算法,并以软件工程来实现其功能。首先,对存在缺陷的工件进行取样,采集缺陷图像,建立识别标准。然后,基于深度神经网络模型和缺陷标准图像,进行模型训练,采取分批训练,逐步迭代收敛的方式,达到准确识别工件缺陷目的。最后,基于Python语言与TensorFlow框架实现深度神经网络模型,并将模型移植到C++平台调用,嵌入到商业版本软件中,实现算法的落地应用。实验测试结果显示,相对于已有的缺陷识别技术而言,本文算法具有更高的识别准确性,可为机器视觉软硬件设备提供技术基础。     

基于深度学习的红外与可见光图像融合综述

图像融合技术是指从不同的源图像中提取并融合互补的信息,生成一幅信息量更丰富、对后续高级视觉任务提供足够支持的图像.红外与可见光图像融合（Infrared and Visible Image Fusion,IVIF）是图像融合领域的一个重要分支.近年来,深度学习技术在视觉计算领域表现出了良好的性能,尤其是基于自编码器、卷积神经网络、生成对抗网络等几种基于深度学习的IVIF技术得到了蓬勃发展.为此,对基于深度学习的IVIF算法的方法、数据集和评估指标等进行了总结和阐述;通过大量的实验,进行定性和定量的结果分析,对比了各类基于深度学习IVIF算法的性能;最后,讨论了该领域未来发展的一些前景和研究方向.     

基于图像特征和GA-SVM的烤烟烘烤阶段识别研究

密集烤房内烤烟烘烤阶段的自动识别是建立智能化烟叶烘烤系统的重要环节.为了有效地识别烤房内烤烟的烘烤阶段,该文提出了一种基于图像特征和GA-SVM(Genetic Algorithm-Support Vector Machine)相结合的方法.该方法将机器视觉系统提取的烤烟图像特征作为SVM的输入参数,通过GA全局搜索特性选取出模型的最优特征子集,最后通过多分类SVM实现对烘烤阶段的识别,同时验证了选取特征的有效性.仿真结果表明:从9个原始特征中筛选出5个图像特征,总体识别精度从93.7%提高到96.5%,能有效地识别烤烟的烘烤阶段,具有良好的在线应用前景.     

基于深度学习的图像识别技术研究综述

本文介绍了基于深度学习的图像识别算法,包括R-CNN、SPP-Net、Fast R-CNN、Faster R-CNN、YOLO以及SDD算法,讨论了深度学习在人脸识别、车牌识别和医学图像识别方面的应用,最后对深度学习图像识别技术的研究提出了问题与展望。     

基于深度学习的复杂背景下茶叶嫩芽检测算法

针对传统的基于机器视觉的茶叶嫩芽检测方法存在手工特征提取鲁棒性较差以及准确率较低等问题,首次将基于深度学习的目标检测算法YOLO应用到复杂背景下的茶叶嫩芽图像的检测,并从多尺度检测方面对YOLO网络架构进行了改进,用大尺度和中尺度检测代替了原来的多尺度检测.在预处理阶段,通过结合超绿特征以及OSTU算法对复杂背景下的茶叶嫩芽图像进行了图像分割,使得茶叶嫩芽区域更加明显.实验结果表明,通过与其他算法对比,基于深度学习的目标检测算法对复杂背景下的茶叶嫩芽具有较高的检测精度,为复杂背景下茶叶嫩芽的智能化采摘设备的研究提供了基础.     

智能视觉物联网在工业自动化中的应用研究

为推进传统制造业企业转型升级,实现节约成本、扩大生产、提高竞争力,工业自动化是企业的发展趋势,通过在物联网的基础层上采用视觉传感器来实现信息的采集,采用光学字符识别技术对信息进行图像处理,再经过信息传输、智能分析,形成基于机器视觉检测技术的物联网结构,结合B/S架构与数据库技术,研究一种新的工业自动化领域应用模式iVWOT（Intelligent Visual Web of Things）,进一步融合视觉物联网技术与自动检测技术在工业自动化中的应用。     

致密油储层孔喉微观结构表征技术研究进展

 致密油储层中孔隙是储集油气的空间与渗流发生的主要场所，且其孔隙分布呈现多种尺度，储层微观孔隙结构精确表征是非常规油气研究的重点与难点。对目前致密油储层孔隙结构表征技术进行了分类，总结了实验数据分析技术、图像分析技术与数字岩心技术的内涵及发展，并指出了其测试孔隙大小范围和优缺点；展望了致密油储层微观孔隙结构表征技术的发展趋势。     

基于卷积神经网络的桥梁裂缝检测与识别

针对当前中国检测桥梁裂缝依赖人工目测,危险系数极大的落后现状,研究了一种基于数字化和智能化的检测方法,以提高桥梁安全诊断效率,降低危险系数。结合机器视觉和卷积神经网络技术,利用Raspberry Pi处理器采集和预处理图像,分析裂缝图像的特点,选取效果检测和识别裂缝效果最佳处理算法,改进裂缝分类的卷积神经网络模型(CNN),最终提出一种新的智能裂缝检测方案。实验结果显示:该方案能够找到超出桥梁裂缝最大限值的所有裂缝,并可以有效识别裂缝类型,识别率达90%以上,能够为桥梁裂缝检测提供参考数据。     

Exploration technology and development trend of Daqing Oilfield

Exploration for oil and deep gas in northern Songliao Basin,complex rift basin—Hailaer Basin,and Yi-Shu Graben in peripheral basin has technical challenge.Researches on supporting technology including seismic acquisition,processing and interpretation,logging and drilling are performed to establish high resolution 3D seismic technology for lithologic reservoir,deep volcanic rock and complex rift basin,reservoir evaluation and stimulation technology for low permeability reservoir,volcanic reservoir and complex rift reservoir,and drilling technology for deep volcanic rock,providing technical support for reserves increase in northern Songliao Basin,large gas reservoirs discovery in deep volcanic rock and exploration progress in complex rift basin.Next-step development trend of exploration technology is proposed to meet the demand of more technical challenges in the future.     

机器学习在油气行业中的应用进展综述

近年来,随着深度学习的兴起,机器学习在油气领域得到了进一步深入发展。但是,由于油气行业的特殊性和复杂性,目前还没有建成适用于深度学习的训练样本库,也没有针对性的模型建立和选择方法体系。此外,深度学习方法的不可解释性,导致了学习的模型对环境的高度依赖,制约了机器学习在油气行业中的推广应用。从机器学习的发展阶段出发,介绍机器学习在油气行业各领域的应用中所涉及的重大突破及仍然存在的问题。针对油气行业中不同类型数据的处理方法、样本建立以及如何进行模型适应性分析等方面给出了建议,提出可解释机器学习在油气人工智能上的发展潜力以及研究方向。     

基于机器学习的裂纹识别研究现状及发展趋势

裂纹识别一直是机器视觉领域的重要研究内容,尤其是与之相关的自动检测算法在近年来备受关注。深度学习作为机器学习的一个分支,其在裂纹识别方面已显现出强大的功能和灵活性。本文对基于机器学习的裂纹识别技术的发展情况、研究现状以及典型方法进行详细介绍:首先介绍了多种机器学习方法在裂纹识别领域的应用,并从特征提取算法和应用对象等方面介绍了支持向量机(Support Vector Machine, SVM)、K最近邻(K-Nearest Neighbor, KNN)、神经网络、决策树和随机森林等常用的分类器;其次,从网络模型、数据集和应用对象等方面介绍了深度学习方法在裂纹识别领域的应用。同时,本文还对近20年(2000-2020年)的81篇相关文献进行对比分析,认为未来金属裂纹的识别依旧是热门研究,多种算法的混合会逐渐替代单一算法成为今后的发展方向。