基于深度卷积神经网络的工具痕迹识别研究

目的 为了提高工具痕迹检验鉴定结果的稳定性和可靠性,提出了一种基于深度学习的方法。方法 使用基于迁移学习的思想与深度卷积神经网络VGG16模型的机器学习算法,对8个断线钳、10个钢丝钳和10个螺丝刀制作的2 800个工具痕迹的2D图像数据集,进行单独和综合训练学习。结果 训练后的模型对测试数据进行识别,对于在精确定位工具刃口条件下制作的钢丝钳剪切痕迹和螺丝刀线条痕迹样本可达到98%以上的准确率,对于工具刃口剪切位置误差为1.5 mm以内的条件下制作的断线钳剪切痕迹样本可达88.3%的准确率,对3种工具的综合数据集的综合识别率达到95.5%的准确率。结论 实验结果表明,不需要预先对工具痕迹做特征工程处理,就能够达到较高的识别率。     

基于知识的工件物流系统调度模型构造与实现

将Petri网与专家系统相结合，采用面向对象的方法，建立了工件物流系统模型．文中还介绍了基于模型的各种策略实现方法并开发了相应的软件，最后给出了仿真实验．仿真实验结果表明，该模型结构简单，且建模方法容易实现专家系统与Petri网相结合，容易实现调度策略的柔性化和专家系统基于知识的分析咨询功能．     

基于计算机视觉的血痕重建

在一些刑事案件现场,经常需要判断血液痕迹溅落的准确方向和位置。本文提出了一种计算机自动识别定位技术。通过CCD摄像机获取血痕图像,对图像进行预处理得到血痕的二值图像,再跟踪每个血滴痕迹的二值图像得到血痕图像的边缘数据,利用最小二乘法对边缘数据进行椭圆拟合。然后根据每个椭圆的长轴所在直线的交点区域和椭圆长短轴比例关系确定血液溅落的入射角,来计算血液溅落源的准确方向和位置。实验表明,本文提出的方法对于确定血液痕迹溅落源具有准确、快速的特点。     

机械零件图像中直线边缘亚像素定位方法

以计算机视觉在机械零件几何参数检测的实际应用为例，提出了一种使用高斯拉普拉斯(LOG)函数检测斜坡状边缘的像素级位置，在已知目标为直线边缘的情况下，使用最小二乘线性回归把二维的边缘拟合降为一维边缘定位，从而使直线边缘定位达到亚像素级精度的算法．同时还进行了空间矩直线边缘亚像素定位算法与本文所提出算法的对比实验．实验结果表明：在低噪声图像中，两种算法的边缘定位精度均达到满意的结果，且最小二乘线性回归亚像素定位算法速度较快．