基于深度图像的带式输送机煤量检测方法

针对现有的带式输送机煤量检测方法会受到井下昏暗环境的影响,识别精度不高的问题,提出一种适用于井下环境的带式输送机煤量检测方法。基于深度图像的获取不受井下昏暗环境影响的特点,以深度相机获取的不同煤量深度图像为研究对象,对其进行滤波处理以滤除干扰信息并增强特征信息,提出一种DID-CNN识别网络对滤波后的煤量深度图像进行特征提取,并最终将煤量分为3个不同类别作为检测结果,该结果可用于胶带机带速的分级调控。结果表明：所提出的煤量检测模型的准确率达到99.3%,模型的F1分数为0.991,平均检测每张图片的时间为0.024 3 s。基于深度图像的带式输送机煤量检测方法可以有效消除井下昏暗环境对煤量检测造成的干扰,具有较高的检测精度和较快的处理速度。该方法可为提高带式输送机运输效率、实现节能降耗以及延长设备使用寿命等方面提供支持。     

基于轮廓重合度分析的道路标记鲁棒识别

基于道路标线识别是自动驾驶中的一个关键问题,提出一种消除道路场景中大量非目标干扰的道路标线识别方法。该方法将基于椭圆傅里叶描述子的支持向量机分类结果和对道路标线轮廓分析结果进行融合。在此算法中,为了减小非目标区域的干扰,对轮廓图像与Canny边缘图像重合度进行分析以滤除非目标区域。研究结果表明:该道路标记识别算法的分类准确率高达98.69%,召回率高达94.02%,同时误报率较低,为0.61%;精确率和召回率的调和平均数F1高达96.30%;整个道路标记识别算法平均运行时间为34.79 ms,能够实时地检测并分类8种常见道路标记,表明该方法的识别效果较好。     

基于特征融合的金属铸造工件表面裂纹检测算法研究

针对复杂结构的金属铸造工件表面因成像复杂引发干扰,裂纹提取判别困难的检测问题,本文提出一种结合了颜色形态特征融合图像分割和纹理特征裂纹判定的金属铸造工件表面裂纹检测算法。算法通过GAMMA变换增强裂纹并弱化背景,根据裂纹目标的颜色特征与几何形状特征相融合,量化特征并滤波特征值分割提取裂纹目标,基于灰度共生矩阵对候选裂纹区域提取纹理特征,使用支持向量机分类器进行训练并识别裂纹。金属工件表面裂纹检测实验表明,该算法在图像分割方面能更加完整准确的提取裂纹,在真伪裂纹的识别中准确率、精确率、召回率和F1得分分别为94.47%、92.51%、96.67%和93.74%。相较于传统检测算法,该算法克服了上述干扰影响,在准确率等方面具有优势,且具有较快的识别速度。     

基于黄色诱捕板的黄曲条跳甲识别与计数方法

为了及时掌握严重危害蔬菜生长的害虫—黄曲条跳甲的发生状况及其危害程度,提出了基于黄色诱捕板的黄曲条跳甲识别与计数方法.首先,采用最大类间方差法(OTSU)获得图像的黄色诱捕板区域.在黄色诱捕板上以连通区域面积阈值获得候选区域,并对候选区采用OTSU算法、颜色平滑算法和主动轮廓模型进行目标图像分割.在此基础上,对候选区域提取颜色特征、纹理特征和几何特征,并采用支持向量机的方法,对黄曲条跳甲进行识别和计数.所提出的基于黄色诱捕板的黄曲条跳甲识别与计数方法的准确率、精确率和召回率分别为88.16%,92.00%和81.56%,达到了及时获得黄曲条跳甲灾情的目标.     

基于Mask R-CNN的防波堤复杂护面块体检测和分割方法

针对斜坡式防波堤护面层块体个数统计效率和精确率低的问题,提出了基于Mask R-CNN深度学习网络的斜坡式防波堤扭王字块体的识别和分割方法。该方法利用Mask R-CNN深度学习网络学习实验室采集图像的特征信息,通过调整交并比(IOU)阈值得到评价指标最好的模型,并将该模型应用于现场防波堤图像护面块体的识别和分割。测试结果表明,IOU取0.5时,目标分割的平均精确率为91.83%,平均召回率为92.94%;将训练得到的网络用于识别无人机航拍现场的防波堤图像,扭王字块识别率可达90.7%,且拍摄角度和高度对识别精度影响不大。Mask R-CNN深度学习网络可实现密集、复杂护面块体的准确识别,具有良好的移植性和通用性。     

带式输送机托辊红外图像分割与定位算法

由于煤矿带式输送机关键部件缺乏有效监测,而传统目检、温度监测方法存在工作量大、盲点多等问题,文中提出一种基于连通分量的带式输送机托辊红外图像自动分割与定位算法,对巡检机器人沿巡检轨道采集的带式输送机红外图像进行处理,利用垂直和水平投影截取托辊所在区域,减少支架、输送带以及背景对后续图像处理的影响;采用基于连通分量的长短轴比和面积信息对图像边缘进行过滤,消除对上述截取图像进行边缘检测形成的伪边缘,保留托辊的真实边缘;利用形态学闭运算连接托辊边缘缝隙,通过边界跟踪获得托辊闭合轮廓并进行种子区域填充,实现托辊自动分割;最后根据所得托辊二值图像闭合轮廓,基于轮廓像素点遍历在原红外图像完成托辊的自动定位。实验表明,本方法可快速实现托辊的自动分割和定位,为带式输送机托辊的运行状态监测奠定了基础。     

工业线性指针仪表识别改进方法

为解决工业现场指针式仪表识别工作量繁重,人为误差较大的问题,提出了一种运用透视变换与Hough变换相结合的工业线性指针式仪表识别的方法。通过对采集的图像进行去噪、透视变换后,利用Hough 变换检测仪表指针的图像特征,并以该图像特征模拟出实际指针的偏转角度,利用该角度值计算最终读数,完成对工 业线性指针式仪表的识别工作。该方法在面临工业现场无法良好采集正视图像时,通过一定技术手段准确地识别出工业线性指针式仪表图像的读数。为新形势下,人工智能在工业现场的实际应用提供了一种新思路。     

带式输送机在使用中存在的主要问题及其解决办法

带式输送机是煤矿井下主要运输设备之一,因为它是小设备,所以在日常生活中人们往往会忽略其运转状况而导致故障发生。本文重点分析煤矿带式输送机撒料、异常噪音以及减速机输入轴的断轴、胶带的使用寿命、胶带打滑等常见故障,并提出相应的处理方法和具体措施。     

基于边缘特征和霍夫变换的斑马线识别方法

现有斑马线识别方法普遍存在实时性差或准确率低等问题,对此提出基于边缘特征和霍夫变换的斑马线识别方法。首先利用逆透视变换(inverse perspective mapping,IPM)原理将单摄像机采集到的道路图像转换为俯视图像,然后采用Sobel_x边缘检测模板提取斑马线的边缘信息;基于此,采用霍夫(Hough)变换对斑马线在水平夹角、直线长度、间隔宽度、数量统计等约束条件下进行曲线拟合,最后实现斑马线的识别。试验研究中,选择600张在不同场景下采集到的道路图像对斑马线进行识别,算法在白天光线较好情况下准确率为97.56%,在夜晚情况下为88.67%,算法平均耗时约33 ms。结果表明该算法可以在多种环境下快速准确地识别出斑马线,满足实际工程应用的需求。     

基于逆透视变换的条播作物早期作物行识别

根据条播作物田间作业的对行要求,提出了一种新的作物行检测方法.首先通过选取透视图像中底部区域进行垂直投影,获得透视图像中作物行的边缘点并进行逆透视变换,然后基于逆透视变换算法消除图像几何失真,利用骨化算法求取逆透视图像中作物行的骨架线交点集,在逆透视变换图像中根据边缘点对骨架线交点集进行划分,最后对交点集分类后的作物行进行拟合,以获取不同的作物行.通过对300幅不同生长条件下的小麦作物行图像进行识别试验,其行识别拟合结果表明:作物行拟合的平均误差为2.136 7°,标准差为1.024 3°,平均耗时为0.364 7 s,能够满足实时工作要求.     

基于深度学习和高分辨率遥感图像的车流量统计

针对现有的方法对地面道路上车辆检测率不高的问题,提出一种基于深度学习和高分辨率遥感图像的车辆检测方法.对高分辨率遥感图像道路进行感兴趣提取,并采用改进的YOLOv3模型对车辆进行多目标检测,利用多尺度特征进行对象检测.确定了训练流程,在高分辨率遥感图像数据集上进行训练,采用准确率、召回率、F值作为评价指标进行了图像识别检测试验.结果表明：采用文中方法对高分辨率遥感图像进行分析,得到的准确率、召回率和F值分别为98.01%、97.23%和97.57%,并且能通过检测结果统计得到每秒的车流量.该方法可作为地面车辆分布信息监测的一种有效补充方式.     

协同学理论方法在飞机识别中的应用

此文将协同学理论方法应用到飞机识别 ,同时利用小波变换中的图像融合技术 ,将每一类中的多种型号的飞机融合成一幅图像 ,以提高识别速度 .试验结果表明 ,把协同学理论方法与小波变换中的图像融合技术相结合对模式进行识别 ,不但精确率高 ,而且速度快 .这两点在军事目标识别中是十分重要的 .     

火力发电厂带式输送机常见故障及处理

火力发电厂输煤系统的主要输送设备是带式输送机,它的运行出现故障直接影响到发电厂的燃煤供应。通过分析带式物料输送机胶带跑偏、减速机断轴、胶带打滑、使用寿命缩短等常见故障,并提出现场实用的处理办法。     

基于超声内镜的智能胰腺癌变检测网络

为对超声内镜检测返回的胰腺图像实现智能癌变诊断,将经典分类识别网络AlexNet和SE注意力机制进行结合,提出的SE-AlexNet网络可以准确检出癌变图像,判别正常图像所属胰腺部位。为验证该算法的可靠性与优胜性,在自制数据集下的一系列比较实验,包括基础网络AlexNet与其他经典分类网络的模型比较实验,以及在不同位置插入不同注意机制改进得到的各种模型的比较实验。结果表明：SE-AlexNet模型总体精确率和召回率可达99.56%和98.69%,对于癌变图像,检测精确率和召回率为100%,能够为现实超声内镜胰腺癌检查实现有效的辅助诊断。     

SVM与错误驱动学习相结合的中文人名识别

利用基于转换的错误驱动学习方法对SVM的识别结果进行校正,转换规则较好地处理了语言现象中的特殊情况,进一步提高了SVM的识别结果。实验结果表明,该方法的中文人名识别的准确率、召回率和F值均得到了提高。     

基于改进Multi-ResUnet算法的黏结集料图像分割方法

为提高黏结集料图像的分割精度,提出了基于Inception网络与残差连接优化的黏结集料图像分割模型（Multi-ResUnet模型）。利用实验室自主研发的集料三维特性分析系统V3.0对黏结集料图像进行采集,并建立图像分割模型样本集,然后采用图像分割模型对样本集进行训练。结果表明：相较于分水岭算法和Unet模型,该图像分割模型的精确率分别提升了30.46%和2.11%,召回率分别提升了4.68%和1.85%,准确率分别提升了25.95%和2.47%。     

深度学习在基于叶片的油茶品种识别中的研究

【目的】采用深度学习方法开展基于叶片的油茶品种识别研究，开发油茶品系图像识别技术，为油茶品种鉴别提供科学依据。【方法】选择自然光照条件下生长的11个油茶品种叶片作为研究对象，采集完整、无明显病虫害的叶片，以白色硬纸板为背景，利用智能手机对叶片的正、背面进行图像采集，通过可用性筛选去除无效图像，构建图像数量为2 791张的油茶叶片品种数据集，采用深度学习网络(GoogLeNet、ResNet)对11个油茶品种的叶片图像进行识别研究。【结果】GoogLeNet和ResNet网络均能满足基于叶片的油茶品种识别要求，总体识别准确率、召回率的调和平均值(F₁)分别达94.0%和80.7%;其中GoogLeNet网络识别效果更好，平均准确率、召回率、多分类模型指标宏观F₁(Macro F₁)和微观F₁(Micro F₁)分别为94.1%、94.0%、94.0%和96.9%,其对油茶品种编号1和编号8的识别召回率高达100%。【结论】深度学习网络(GoogLeNet、ResNet)能够实现基...     

直接转矩控制在煤矿带式输送机上的应用研究

针对煤矿带式输送机传统驱动方法存在的启动冲击电流大、效率低下的问题,对直接转矩控制方法在带式输送机上的应用进行了研究。介绍了直接转矩控制原理,组建了模拟带式输送机电机运行的直接转矩控制实验系统,实验结果证明:直接转矩控制应用到带式输送机电机驱动系统中,具有启动冲击电流小、低速大扭矩和效率高的优点,具有良好的应用前景。     

基于多传感器融合的前方车辆识别方法研究

为提高汽车安全辅助驾驶系统对前方车辆识别的准确性和实时性,提出了一种基于摄像头和毫米波雷达信息融合的前方车辆检测方法。首先将毫米波雷达和摄像头进行联合标定,并确定两个传感器坐标系之间的相互转化关系,对毫米波雷达数据进行预处理快速分割图像,以获得前方车辆识别的感兴趣区域;然后采用自适应阈值对感兴趣区域内的图像进行二值化处理以获得车辆底部阴影信息,利用边缘检测和霍夫变换得到车辆上下边界的位置信息;通过底部阴影和上下边界信息获得车辆识别的高度与宽度,最后根据车辆对称性特征建立识别窗口。试验验证表明,该方法前方车辆检测准确率为90.2%,单帧图像的处理速度为32 ms,能够满足智能汽车应用中的实时性和准确性的要求。     

基于动态区域搜索框及K_Means聚类的三车道检测算法

为解决现有车道线检测方法在弯曲道路上识别准确率较差及Hough检测方法耗时较长的问题,提出一种基于动态搜索框及K-means聚类的三车道检测算法。首先,根据逆透视变换(IPM)将感兴趣区域内部转化成鸟瞰图的形式,利用大津法(OTSU)将单帧图像分成前景和背景两部分区域,然后,在图像底部规定区域内进行直方图分析,得到车道线基准点建立初始搜索框,并在其内部使用K-means算法聚类得到车道线候选点,根据建立的车道线直线模型迭代生成搜索框;最后,将得到的车道线候选点根据贝塞尔曲线对其进行拟合得到检测车道线。实验结果表明算法可以很好地检测车道线弯曲部分,算法单帧处理时间达到30 ms,在包含障碍干扰的路况下识别准确率为90. 1%。