压路机钢轮压实边缘的检测与提取

针对压路机特有的非结构化工作场景且较为固定的工作轨迹,采用视觉处理算法提取压路机钢轮的碾压痕迹.首先对碾压区域的RGB图像进行灰度化处理,并通过预处理算法消除随机噪声;其次通过比较Roberts、Sobel、Prewitt、Canny、Kirsch等边缘检测算子,选取检测效果最好的算子;最后采用Hough变换进行碾压痕迹线段提取.结果表明,Canny、Kirsch算子的边缘检测结果更为清晰,但经过Hough变换后,采用Kirsch算子提取到的直线误差最小.结合Kirsch算子和Hough变换的方法能准确提取钢轮碾压痕迹边缘信息,同时保证准确性和实时性,为压路机实现自动行驶提供了重要的视觉信息.     

基于小波分解的痕迹灰度图像边缘检测

针对痕迹图像边缘检测的特征，给出了一种新的基于小波多尺度分解的分层图象边缘检测方法，其基本思想是先对源图像进行小波多尺度分解，其次在不同尺度的子带图像上进行基于局部区域特征的软阈值滤波。最后再进行小波重构，以提取图像的边缘。实验结果表明，该算法比其它算法提高了痕迹图像边缘的检测精度，是十分有效的。     

基于小波尺度相关的船舶轴频电场检测方法

为了提高低信噪比下对海水中被衰减的轴频电场信号的检测能力,提出一种基于小波尺度相关的船舶轴频电场检测算法.首先,使用小波变换对信号进行分解,并对噪声能量进行估计;然后,利用小波尺度相关对噪声和信号进行分离,并采用均值滤波降低小波系数平移的干扰;最后,提取最大尺度的相关系数作为特征值,对信号进行滑动检测.通过该算法和小波熵算法对实测数据和仿真数据进行处理和对比分析,结果表明:此算法在低信噪比情况下具有更高的稳定性和更好的检测效果.     

小波变换在吸毒者脉象信号分析中的应用

根据脉象信号的随机特性,采用小波变换中的多分辨率分析算法对其进行分析,旨在提取海洛因吸毒者脉象信号的异常信息,并得出区分正常人与吸毒者的初步的判断依据．基于小波变换的脉象信号的尺度谱携带有人体健康状况的重要特征信息．对15例海洛因吸毒者和15例正常人的脉象信号进行分析,提取出每例信号的尺度谱和该信号的总能量,发现吸毒者脉象信号在特定尺度与时间区域内的尺度谱之和（即尺度-小波能量）和该信号总能量的比值明显高于正常人．以该尺度与时间区域内的尺度-小波能量和该信号总能量之比的百分值作为判断正常人和吸毒者的特征参量,提出了用于划分正常人和吸毒者的临界参数．据此,15例正常人从30例受测者中全部被正确地检测出来,但有两例吸毒病人被误判为正常人．结果表明,该方法是检测海洛因吸毒者脉象信号异常的有效且可行的方法．     

采用余弦拟合的随机共振反演技术研究

针对当前随机共振反演方法实施过程流程复杂、需要调节的参数繁多、对幅值的估计不准,以及难以处理频率相差较大的多频信号等诸多问题,提出了一种新的采用余弦拟合的随机共振反演算法.该算法采用移频变尺度随机共振检测频率,利用所得频率设计余弦曲线对输入信号进行最小二乘拟合,不需对特殊点进行特别处理,幅值不受波形畸变的影响,因此可以处理频率相差任意大小的多频信号.通过数值仿真和机车走行部故障的诊断,验证了该算法具有较强的工程实用性,同时结合频谱校正技术可以进一步提高该方法的精确性,更准确地检测出信号频率及幅值.     

基于EMD技术的弹性波信号降噪技术

弹性波无损检测技术由于其优点,应用范围日益广泛。在成桥检测中,由于激振、接收条件的限制,使得弹性波信号的信噪比大幅降低,如何准确的判定初始信号成为重要的课题。另一方面,经验模态分解(EMD)算法在处理非周期、非平稳信号中以其优越性而得到广泛关注。因此,采用改善迭代停止准则以及引入智能分析极值点等方法,对传统EMD分解方法的弊端进行了改进。通过实际采样验证了改进后的EMD算法对弹性波检测信号的处理能力。     

多频信号的多尺度随机共振检测方法及应用

基于随机共振的基本原理,采用多尺度随机共振变换的方法用于多频微弱信号的检测,通过调节双稳态随机共振系统参数、噪声强度,将单频微弱信号上产生的随机共振效应扩展到多频信号,实现多频信号的同时检测.结果表明,该方法可从高噪声背景中有效地提取出多频信号,尤其对于多频大参数信号的检测,多尺度随机共振变换有着更好的性能.     

语音失真测度系统的构成与算法实现

介绍了语音失真测度系统的构成以及实现的算法思想.采用前端处理技术.实现了对重放语音信号进行分帧、端点检测等特征的提取,获得了以Mel尺度倒谱参数作为衡量语音失真测度的特征向量.采用动态时间弯折算法,获得了用于语音质量客观评价的语音失真测度.     

基于数学形态学的图像边缘检测算法

传统的边缘提取算法非常有效但对噪声非常敏感,大多形态学边缘检测算法采用单一结构元素,很难对复杂边界进行有效的处理.文中提出一种基于多结构元素多尺度的数学形态学图像边缘检测算法,先用多尺度结构元素交替顺序形态开-闭平滑图像以去噪,再用多结构元素对不同方向的边缘进行提取,最后将各方向边缘融合得到图像边缘.实验结果表明,文中提出的算法不仅具有很强的抗噪性,而且能有效地提取图像的边缘.     

多结构元素多尺度的数学形态学图像边缘检测算法

边缘检测是图象处理与模式识别的一个重要图象预处理过程。传统的边缘提取方法如Sobel,Prewitt和Canny等非常有效但对噪声非常敏感。形态学边缘检测目前已成一个研究热点,但大多算法采用单一结构元素,很难对复杂边界进行有效的处理。因此我们提出一种基于多结构元素多尺度的数学形态学边缘检测算法,先用多尺度结构元素交替顺序形态开-闭平滑图象以去噪,再用多结构元素对不同方向的边缘进行提取,最后把各方向边缘融合得到图象边缘。实验结果表明,提出的算法不仅有很强的抗噪性,而且很有效的提取图象的边缘。     

基于阈值分割法和卷积神经网络的图像识别算法

针对传统卷积神经网络严重依赖数据量的问题, 提出一种基于均值迭代阈值分割法和卷积神经网络的图像识别算法, 通过均值迭代阈值分割法过滤图像背景, 并基于AlexNet构造新的卷积神经网络. 与其他常用的卷积神经网络进行对比实验结果表明, 在样本数量不足的图像识别任务中, 该算法识别效果较理想, 与其他卷积神经网络相比, 具有更高的识别准确度、 更低的识别误差和更快的收敛速度.     

基于阈值分割法和卷积神经网络的图像识别算法

针对传统卷积神经网络严重依赖数据量的问题, 提出一种基于均值迭代阈值分割法和卷积神经网络的图像识别算法, 通过均值迭代阈值分割法过滤图像背景, 并基于AlexNet构造新的卷积神经网络. 与其他常用的卷积神经网络进行对比实验结果表明, 在样本数量不足的图像识别任务中, 该算法识别效果较理想, 与其他卷积神经网络相比, 具有更高的识别准确度、 更低的识别误差和更快的收敛速度.     

基于卷积神经网络的卫星遥感图像拼接

针对传统算法不适用于外观发生较大变化的图像拼接问题, 提出一种基于卷积神经网络的遥感图像拼接方法, 通过深度学习使模型实现对遥感图像的配准和拼接. 通过两次实验将该算法与传统算法进行对比. 首先, 以欧氏距离作为评价指标, 分别通过两种算法在不同图像数据集上进行统计, 对它们的图像配准能力进行评估. 其次, 在真实的遥感图像拼接应用场景下对比两种算法实现的遥感图像拼接效果. 实验结果表明, 卷积神经网络模型对外观发生较大形变的图像具有更好的配准能力, 因此对于外观产生较大变化的遥感图像, 可采用该算法代替传统算法实现图像拼接, 得到更精确的全景图像.     

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。     

基于快速残差插值和卷积神经网络的去马赛克算法

针对传统插值法存在的图像细节不能很好恢复的不足,利用卷积神经网络作为残差插值法的后处理操作,提出了一种基于残差插值和卷积神经网络的去马赛克算法。方法分为初始去马赛克和细节恢复后处理两部分。先用改进的基于梯度的快速残差插值法实现初步去马赛克插值,并针对恢复图像中包含了彩色伪影,细节丢失等问题,再使用深度残差网络学习恢复图像与理想全彩色图像之间的映射,实现后处理。在Kodak数据集和IMAX数据集上的实验结果表明,该方法结果在主观视觉特性和客观评价指标两方面相较于传统方法都有明显改进。     

基于低复杂度卷积神经网络的星载SAR舰船检测

星载SAR(合成孔径雷达)舰船检测广泛应用于海上救援和国土安全防护等领域.鉴于传统的检测方法仍存在虚警率高等缺点,本文将具有强大表征能力的卷积神经网络(CNN)引入到星载SAR舰船检测中,面向SAR舰船检测的精准快速的需求,提出了基于低复杂度CNN的星载SAR舰船检测算法.算法结合星载SAR图像的特点,利用ROI提取方法实现目标粗提取,得到可疑目标切片及其对应的位置信息;通过构建的低复杂度CNN对所有的可疑目标切片进行精确分类,确定舰船目标,从而实现舰船目标检测.实验测试结果表明:本文提出的算法可以实现精准的星载SAR舰船检测;与传统双参数CFAR目标检测和基于现有深度网络框架(LeNet、GoogLeNet)的检测算法相比,该算法检测性能更好、检测时间更短,可有效降低检测漏检率和虚警率.     

基于卷积神经网络的胶囊内镜息肉与溃疡辅助诊断

针对目前胶囊内镜(WCE)自动检测方法需要对每种病灶设计对应的识别算法以及识别准确率不高的问题,设计一种基于卷积神经网络的息肉与溃疡辅助诊断算法。与传统检测算法相比,卷积神经网络可自动学习病灶图像特征,实现更强泛化能力,更高准确率和效率。该方法针对具体WCE图像,首先评价图像R、G、B通道携带信息的特征;其次,分析全局直方图均衡化、伽玛变换和拉普拉斯变换对提升图像对比度的效果,选择其中表现最佳者与信息最丰富的2个颜色通道组合成3通道输入到卷积网络中训练和识别。测试表明,本算法识别准确率96.8%,比传统的经典图像检测方法高出至少16.73%,检测速度达到68.6图/s,能够推广应用到医疗辅助诊断领域。     

基于卷积神经网络的小目标交通标志检测算法

PVANet(performance vs accuracy network)卷积神经网络用于小目标检测的检测能力较弱.针对这一瓶颈问题,采用对PVANet网络的浅层特征提取层、深层特征提取层和HyperNet层(多层特征信息融合层)进行改进的措施,提出了一种适用于小目标物体检测的改进PVANet卷积神经网络模型,并在TT100K(Tsinghua-Tencent 100K)数据集上进行了交通标志检测算法验证实验.结果表明,所构建的卷积神经网络具有优秀的小目标物体检测能力,相应的交通标志检测算法可以实现较高的准确率.     

基于卷积神经网络的高光谱图像谱-空联合分类

随着深度学习的发展,卷积神经网络在各种视觉任务中都具有优越的性能;特别是在二维图像分类上,更是获得了很高的分类精度。针对于高光谱图像分类问题,设计了一种新的卷积运算;利用高光谱图像谱-空联合信息建立三维卷积神经网络对其进行分类;并针对高光谱图像样本不均匀性,在网络输出不同类别加入不同的权重加以训练。通过对两个公开高光谱图像数据集的测试,相对于传统方法,能够得到更高的分类精度,表明卷积神经网络对高光谱图像具有更强的特征表达能力。     

基于卷积神经网络的脚部关键参数计算方法

针对传统制鞋业定制化程度低,无法适应足部多样性、舒适性,提出了一种基于卷积神经网络的脚型关键参数计算方法。首先对图像进行透视变换等预处理,然后使用fine-tune的迁移学习方法,通过修改VGG神经网络源模型全连接分类层,将高层卷积权重进行微调,优化网络模型并提取特征值进行特征分类,从图像中识别出脚的轮廓。最后通过设计的算法把脚型特征值计算出,并与实际测量的脚长、腰窝宽度、脚宽等做对比。实验表明,改进后的模型对脚部识别的准确率达到96.8%,输出结果与测量的真实数据相比误差不超过3%,可作为鞋底制作的重要依据。