基于视频特征聚合的细胞形变动态建模

提出了一种基于图像处理架构对活细胞视频中细胞动态进行建模的方法.在这个架构下,视频中两帧间的细胞动态被表示为细胞轮廓形变和细胞内部运动的动态特征.其中,前者细胞轮廓形变利用形状上下文进行度量,而后者细胞内部运动则通过尺度不变特征变换（SIFT）流进行建模.为了更好的刻画细胞质流动,基于SIFT流的细胞运动场进一步构建细胞外观变化场.在获得上述帧级细胞动态特征之后,引入时间序列建模的方法来生成视频级的细胞动态特征.具体地,基于紧凑编码的时序特征聚合方法可以捕获整个视频中的细胞动态演变过程.活细胞视频数据库被建立以用于验证提出方法的有效性,实验结果表明提出方法对于细胞形变动态度量和分类的性能优于其它主流方法.     

医疗PSA制氧设备的远程检验和 实时监控系统的设计与实现

针对当前的技术中存在的监控参数少、不能实现远程性和实时性、检验精度低等问题及弊端,本文实现了一种医用PSA制氧设备的远程检验和实时监控系统。本系统实现了对氧气含量、一氧化碳含量、氧气流量等多种参数的实时采集和远程检验,对监控装置实现了远程实时控制,方便医疗器械监管机构的实时监管。     

基于PCA的船舶机舱辅机监控系统设计

引入主元分析方法,通过对PCA的建模计算和故障检测方法的研究,实现原始数据的降维检测,提升设备状态监测的灵敏度,基于BP神经网络和专家知识进行故障信息的识别诊断及辅助决策.实验表明,该系统能够为机舱辅机设备智能综合管控提供支撑,实现辅机设备状态监测、故障诊断和辅助决策功能,显著提高机舱设备运维效率,快速诊断出发生故障位置以及发生故障原因,从而及时采取有针对性的维修措施,提高船舶机电设备的维修效率,减少船舶设备的故障率.     

基于模糊神经网络的茶园拖拉机远程故障诊断系统

针对茶园拖拉机传统故障诊断对故障信息的采集存在严重滞后性的问题,提出一种基于模糊神经网络(fuzzy neural network,FNN)的茶园拖拉机远程故障诊断系统(remote fault diagnosis system,RFDS).该方法融合模糊算法和神经网络的优点,通过对车辆运行的实时监控,远程处理车辆信息,获取车辆潜在的故障和实时故障信息,避免了传统方式需进行的大量检测,为维修争取到了更多的时间,提高了生产效率.该系统以仿真软件Carsim为基础,利用Carsim实时模拟车辆运行情况,通过训练集和测试集对算法模型进行训练和验证,结果表明:FNN诊断算法满足系统性能要求,准确率可以达到90％以上,可远程准确诊断茶园拖拉机故障.此外,RFDS技术对于车辆的开发也有重要的作用,可以在车辆的研发阶段通过远程故障诊断系统进行车辆性能评估,节省了大量的人力资源.     

基于局域网技术的篮球训练姿势智能监控系统设计

为提高篮球训练效果,设计了基于局域网技术的篮球训练姿势智能监控系统。首先采用无线传感器网络采集篮球训练姿势的图像信息,再采用灰色轮廓线标记对采集到的图像信息实施三维融合,得到视觉成像模型,根据视觉成像结果及像素差分特征量判断篮球训练姿势的有效性。然后分析图像的特征并对其进行自动聚合匹配,结合局部边缘信息融合过程求解动态信息的特征,并结合三维姿态分布特征量和边缘信息熵,构建智能监控输出优化模型,实现在智能嵌入式环境下的篮球训练姿势智能监控系统软件开发设计。仿真结果表明,该系统的人机交互性能较好、稳定性较强。     

一种基于深度学习的实时视频图像背景替换方法

针对视频会话业务的实时性需求,提出一种轻量级深度学习网络模型实现视频图像的实时背景替换功能.网络模型包含语义分割和背景替换两个模块.语义分割模块整体架构采用编解码结构,编码端使用编码器模块、空洞卷积金字塔池化模块、注意力模块以及增益模块提取特征;解码端使用解码器模块、调整模块以及编码器模块恢复图像,再传入背景替换模块完成背景替换.该网络模型在本文设定的数据集训练后分割精确度达到94.1%,分割速度达到42.5帧/s,在实时性和准确性上达到较好的平衡,具有很好的实用效果.     

基于超像素分割的视频目标检索

针对视频监控中的颜色特征检索,提出一种基于超像素分割的视频目标检索算法:该算法首先对视频帧序列按颜色及空间位置进行超像素分割,分割成若干个超像素区域;然后对每个超像素区域颜色值进行均值化处理;最后基于超像素区域进行颜色目标检索.为了验证算法的有效性,以监控拍摄的户外视频数据进行仿真实验,实验结果表明该算法能准确检索出所需目标,具有较高的实用性.     

基于骨骼关键点检测的士兵训练动作分类研究

人体骨骼关键点检测作为计算机视觉中的研究热点,产生了很多与之相关的运动辅助训练系统,并用于士兵体能训练的智能化。作为士兵体能辅助训练系统设计的基础工作,提出一种基于人体骨骼关键点的士兵体能训练行为分类方法。首先利用OpenPose模型对士兵体能训练运动视频进行骨骼关键点检测,然后针对体能训练运动的特点人工设计特征信息,最后利用改进的多分类SVM进行体能训练行为分类。实验结果表明,基于人体骨骼关键点检测的士兵体能训练动作分类方法能够快速有效地实现对视频的分类,准确率达到了92.9%。