洞庭湖湿地中鸟的图像色彩与纹理特征融合识别算法研究

为实现鸟类物种识别和自动化观测,针对鸟的图像的自动提取和识别过程中的问题,开展了一系列的研究工作.首先对鸟的彩色图像进行二值化,接着采用Log算法对鸟的轮廓进行提取,然后对鸟进行初步颜色特征提取,对特征颜色较明显的鸟进行粗分类,再接着对特征色不太明显的鸟类进行基于灰度共生矩阵算法的纹理特征提取,最后对提取的纹理特征进行BP神经网络分类,最终达到对鸟的识别.实验结果表明,平均识别正确率达到70%以上.     

基于人工种群的路面裂纹检测

提出了用于路面裂纹检测的人工生命算法,该算法遵循人工生命理论由下而上构建人工系统的原则,构建了人工种群。人工种群由不同种类的人工生物组成,有些种类的人工生物依据裂纹区域较暗的前提条件完成了路面图像的二值化,而另一些则依据裂纹与噪声、黑斑、油污在形状上的区别来进一步识别裂纹。不同种类的人工生物严格分工、相互合作,从而完成裂纹检测。人工生命算法具有较好的适应性,实验结果证实人工生命算法是有效的。     

基于自适应形态学滤波器的布匹瑕疵检测算法

针对布匹瑕疵检测算法中运算量大、自适应差的问题,利用布匹纹理周期性变化特性,自适应地构建结构元素,实现形态学运算;采用基于像素面积的阈值选择
定位瑕疵位置。在不改变检测准确率的同时减少了运算时间。实验结果表明,该算法所确定的瑕疵位置与主观视觉吻合,相比经典算法,误检率、错误率均降低了4%。     

基于双三次插值算法的集成电路在线检测快速模板匹配

为了解决目前电路板缺陷检测视觉识别系统对多目标识别检测过程实时性差、识别效率低,甚至出现无法识别等问题,首先对集成电路板图像按一定比例进行双三次插值算法处理,并在该基础上创建模板图像,然后进行归一化积相关匹配快速地识别检测出目标的大概位置,最后以双三次插值算法缩放比例值还原目标在原图像中的位置,从而精确识别检测出的目标。实验结果表明:该算法能达到100%识别,运算时间比传统算法快2～11倍,可见该技术提高了检测效率,具有很好的实用性。     

基于轻量化卷积神经网络的毛巾织物瑕疵检测方法

针对毛巾织物瑕疵检测中存在的小目标瑕疵漏检率高、形变尺度大的瑕疵检测精度低以及模型检测效率不理想等问题,提出一种基于YOLOv4网络的轻量化毛巾织物瑕疵检测方法。采用轻量级网络Ghost Net重构主干特征提取网络,以降低模型运算量,提升检测速度;在深层特征提取网络中引入结合空洞卷积和SoftP ool的DS-CBAM模块,扩大感受野的同时保证特征图分辨率并提高模型对毛巾织物瑕疵特征的提取能力;根据各类毛巾织物瑕疵正负样本不平衡的数据特点,引入难易样本聚焦参数和正负样本平衡参数对损失函数进行优化,降低样本失衡对检测性能的影响;采用改进度量距离的K-means算法自适应生成适合毛巾织物瑕疵尺寸的先验框,提高先验框和毛巾织物瑕疵目标的匹配度。研究结果表明:改进后的模型在毛巾织物瑕疵数据集上的检测精度要优于原YOLOv4和其他主流检测算法,综合类别平均精度达到92.14%,检测速度达到49.98帧/s,分别比原模型提高了5.31%、22.83%,有效平衡了检测精度和检测速度之间的关系。     

基于深度学习的铝型材瑕疵检测方法

铝型材表面由于生产工艺、机械振动等外在条件影响,会产生加工瑕疵,由于其瑕疵特有的纹理、尺寸、形状随机性、不规则性等因素,现有的一些金属表面瑕疵检测模型泛化能力差,无法在铝型材瑕疵检测上取得较好的检测效果。针对上述问题,提出一种改进Faster RCNN架构的铝型材表面瑕疵检测模型,通过改进原有卷积核计算模式,融合改进噪声过滤特征金字塔网络及形变卷积以提升检测模型对多尺度及不规则瑕疵表征的学习能力;同时改用ROI Align提取特征图及改进候选框生成网络损失函数以提高对微小瑕疵的定位能力;针对铝型材表面瑕疵多样性、类间相似问题,提出一种多阶段模型训练方法,并在原有Softmax损失函数基础上联立Center Loss优化损失函数,以提高模型的相似类别检测能力。通过实验对比结果表明,改进后的检测模型对不同类型的铝型材表面瑕疵均具有较高检测精度,平均分类精度达97.50%,mAP指标达到84.16%,同时保持了较低的误检率,可达到对铝型材表面瑕疵的有效识别,具有较强的实用性。     

基于机器视觉的经编机在线瑕疵检测技术

文中提出了一种离线学习、在线检测的经编机瑕疵检测方案。在离线情况下,利用小波参数方程构造完备的正交小波集,采用遗传算法寻优获取与待检布匹相匹配的最优小波;在线检测时,利用最优小波对待检图像进行单层分解,对瑕疵信息分布集中的高频分量进行子窗口分割,提取窗口内的灰度方差作为纹理特征描述,采用自适应双阈值分割方法自动检测瑕疵。实验表明,自适应小波方法对瑕疵信号有明显的增强作用,检测算法的准确率能够保持在98.5%以上。     

海洋遥感图像中基于纹理的海面油膜识别

基于海面纹理特征,利用Borda算法进行了航空遥感图像中油膜和非油膜的识别研究。首先,对航空遥感图像进行纹理特征分析和提取:二值化处理并且提取谱相关性、方向粒度和条状粒度的纹理特征值;然后,建立海面油膜数据库,包括原始图像、特征向量,以及图像和纹理特征间的映射表;最后引入Borda算法,根据被测图像的特征来识别其是否含有油膜。实验结果表明,本模型能有效的识别油膜,能为大范围海面溢油检测奠定研究基础。     

基于改进Cascade R-CNN的织物瑕疵检测方法

制造业瑕疵检测问题是工业产品的关键环节,其中织物瑕疵检测尤为关键.针对织物图像尺寸大、局部瑕疵数量少、图像背景复杂等问题,设计了一种基于Cascade R-CNN融合尺度不变特征的织物瑕疵检测方法 .通过训练具有多个递增交并比（IoU）阈值的级联检测网络,解决了传统深度神经网络的过拟合和错配问题;针对工业生产上存在的待检测图片发生倾斜、偏转和迁移等问题,通过尺度不变特征变换（SIFT）算法对待检测织物图进行预处理,将其正确定位到模板图上对应位置后,再进行瑕疵检测;借鉴孪生学习的思路,通过扩充输入通道,同时输入并分析待检测的图像和模板,提高了瑕疵检测的精度.实验结果表明：该模型能够有效地完成瑕疵检测任务,可对7类织物瑕疵进行检测与分类,平均精度均值达87.5%.     

基于YOLOv3的布匹瑕疵检测方法

针对布匹瑕疵差异较大、分布不均匀等问题，在YOLOv3中引入SwinTransformerBlock模块，用自注意力机制专注于有效特征排除无效特征的干扰，解决瑕疵差异大、分布不均等问题.同时用可变形卷积v2替换普通卷积，增大网络的感受野和多尺度建模能力，更好地适应瑕疵的形状和位置变化，从而提高目标检测的准确性和鲁棒性.实验结果表明，改进后算法在mAP上比原算法提高了3.80%，在检测速度上下降了2.86帧每秒.     

基于词内部模式的中文新词识别研究

提出了一种基于支持向量机的中文新词识别算法.该算法结合新词内部模式以及词长等提出了基于词内部模式的改进字符位置似然概率,并综合新词的邻接类别等特征对新词进行识别.经过小说语料测试,实验结果表明：该算法的微F1值为0.583 3,宏F1值为0.775 7,分别比不考虑词内部模式的基准算法提高约63%和30%.     

基于TMS320C6678的布匹瑕疵检测算法的并行实现

针对布匹瑕疵检测系统在工业应用中的实时性需求,在分析了小规模过完全字典布匹瑕疵检测算法的基础上,将该算法从VS平台移植至TMS320C6678平台,并提出了一种基于特征拆分的并行方案以充分利用各个内核资源,采用优化的内核间同步、通信方案,实现了高效的多核并行处理,大大减少了算法耗时。实验结果表明,该方法是可行、有效的,并且极大地提升了布匹瑕疵检测系统的实时处理能力,为以后工业应用打下了良好的基础。     

物联网终端智能识别系统设计与实现

终端智能识别是物联网应用的关键技术,是物联网安全体系构建的基础。针对物联网终端智能识别问题,建立了一种以设备指纹为动态特征标识的物联网终端智能识别实验系统。该系统由终端检测模块、模型训练模块以及智能识别模块构成,其中,终端检测模块利用Nmap工具扫描并自动采集设备指纹;模型训练模块分别利用决策树、逻辑回归与朴素贝叶斯等机器学习算法训练分类器;智能识别模块接收识别任务并调用前2模块完成设备指纹采集与分类识别处理。实验结果表明,决策树分类器在整体数据集上的平均识别率为98.1%,对于是否是物联网设备的判断识别率为98.7%,对于具体设备类型的识别率为98.2%,均保持较高识别水准,且优于其余2种算法识别器。因此,采用设备指纹与决策树算法结合识别物联网设备是可行的。     

基于网络流量分析的未知恶意软件检测

为了有效检测移动端的未知恶意软件,提出一种基于机器学习算法,并结合提取的具有鲁棒性的网络流量统计特征,训练出具有未知移动恶意网络流量识别能力的检测模型;该模型主要包括Android恶意软件样本数据预处理、网络流量数据自动采集以及机器学习检测模型训练;通过对不同时间节点的零日恶意软件检测的实验,验证模型的有效性。结果表明,所提出的方法对未知恶意样本的检测精度可以超过90%,并且F度量值为80%。     

基于改进Faster RCNN的印刷电路板瑕疵检测算法

PCB印刷电路板上元器件较多且距离较小,电路走线颜色较为相近.传统检测方法基于机器视觉检测,其算法存在检测速度慢、误检率较多、能够检测出的瑕疵种类较少等问题.基于此,提出了一种基于改进Faster RCNN的印刷电路板瑕疵检测算法.该算法可以同时检测出漏孔、缺口、断路、短路、毛刺、余铜6种印刷电路板上的瑕疵.首先,采用...     

图书索书号识别算法及其实现

针对多本在架图书图像中相邻图书的索书号分割、识别存在的识别率低的问题,提出了一种图书索书号识别算法,该算法实现了对单本图书索书号的分割、提取以及字符识别,具体做法是通过确定多阈值中的阈值范围来分割索书号区域,利用种子填充法将索书号区域中的字符提取出来,最后利用神经网络的方法完成对索书号字符的识别。实验结果表明,直立图书的字符识别率为95.3%,倾斜图书的字符识别率为93.1%,总的识别率为94.3%,达到了良好的识别率。     

基于Laplacian算子的扩大比对范围的边缘检测算法

针对常规边缘检测算法中存在的图像细节轮廓损失问题,本文提出一种基于Laplacian算子的扩大比对范围的边缘检测算法。该算法在对像素点使用Laplacian算子进行边缘检测处理时,扩大了处理的范围,后由所有像素点的差值和可以组成一个新图像,选定合适的域值对新图像进行二值化处理可以得到二值化的图像边缘信息。实验证明,该算法可有效地解决图像中色调变化较小、边缘变化缓慢区域的边缘轮廓检测丢失问题。     

基于神经网络的语音识别研究

提出了一种基于双权值神经网络的非特定人连续语音识别的新算法.这种算法可以不经过端点检测和分割,构建连续语音中各不同音节的特征空间覆盖区,可以避免因分割错误而带来的错误识别.通过实验得到了较为满意的识别结果.     

结合光晕颜色和网格聚类的夜间尾灯识别

为了能够在夜间检测前方同向车辆的坐标位置,提出了一种夜间车辆尾灯识别方法。先对摄像头采集的前方交通图像进行颜色处理,采用自适应阈值和固定阈值分割尾灯光晕和背景。再使用网格聚类算法检测尾灯光晕范围,计算此范围内原图像灰度值,检测出光源。最后,通过分析光源面积大小剔除干扰光源,完成尾灯识别。实验结果表明:该方法在城市道路工况下,尾灯识别率达到87.53%。在郊区道路工况下,尾灯识别率达到95.43%,同时对于形状各异的尾灯具有很好的适应性。     

一种视点直方图特征优化的点云目标识别算法

为了提高点云目标识别算法的识别率、增强算法鲁棒性,研究了一种将颜色纹理的方向特征直方图(CSHOT)算法与视点特征直方图(VFH)算法相结合的点云目标识别算法(CSHOT-VFH)。利用VFH特征对点云目标进行识别,实现目标快速估测。在此基础上,进一步利用CSHOT特征进行精确识别。搭建了实验系统,分别对单物体场景、多物体场景及目标存在部分遮挡等情况进行了测试。测试结果表明:本文算法识别率达到了90%以上,在目标遮挡的两组实验中,本文算法比VFH算法的识别率提高了10%以上,能够满足室内场景目标检测的需求。