关键词： 微流芯片   浓度测量   双缝干涉   图像处理  

摘要： 微流芯片测量透明液体浓度综合实验项目是基于第8届全国大学生物理实验竞赛(创新)命题类竞赛获奖项目及学生参赛研究成果开发而来.实验项目中利用微流芯片技术设计制作了双通道微流芯片作为双缝干涉装置,将已知浓度透明液体及待测溶液分别输入该装置内,通过面阵CCD接收采集激光双缝干涉图像.利用浓度变化与光程差变化间的联系,分析测量浓度变化前后的干涉图像中条纹的移动距离,从而实现对透明液体浓度的测量.该项目涉及知识层面广泛,充分结合了基础双缝干涉光学实验内容、图像分析处理以及新兴微流芯片技术,该方法的测量精度高,较好地丰富了基础物理实验教学内容,可用作分类分层研究性实验教学项目.

关键词： 深度学习   激光雷达   三维目标检测   特征融合  

摘要： 目标检测算法中关键信息的特征提取是影响算法精度的重要因素。针对当前三维目标检测算法中存在的关键点采样困难、特征提取不充分等问题,借鉴PV-RCNN三维目标检测网络,提出一种基于强语义关键点采样的三维目标检测方法SSPS-RCNN(strong semantic point sampling RCNN)。在关键点采样阶段,该算法采用语义加权点采样和提案区域点过滤相融合的方法,获得更具特征代表性的采样关键点,以提升采样点中前景点的比例;在不增加网络结构的基础上,将语义信息重新加权关键点特征,以进一步细化关键点的特征贡献提升算法精度。在KITTI数据集上的实验结果表明该算法与现有主流算法相比,对减少物体检测中的漏检与错检问题和整体检测精度提升,表现出良好的稳定性和鲁棒性。

关键词： 絮凝   矾花   图像处理   等效粒径   分形维数  

摘要： 原水预处理主要分为混凝、沉淀和过滤3个阶段,混凝中的絮凝过程直接影响矾花结构与出水浊度;目前多采用检测出水浊度方法来控制混凝剂加药量,但因时间滞后无法快速反映混凝效果与反馈调节加药量。随着计算机技术的快速发展,利用矾花图像处理技术能够实现快速、准确、实时检测絮凝状态,从而更准确控制加药量,提高混凝效果。从计算机视觉技术角度,概述了絮凝中矾花图像采集与处理的技术特点,介绍了实时跟踪和计算矾花结构特征参数如等效粒径、分形维数等方法,并给出了部分试验结果,通过这些参数可以判断最佳混凝效果,为混凝控制与加药提供依据。

关键词： 空气质量估计   计算机视觉   细颗粒物   光晕   夜间图像  

摘要： 基于视觉的细颗粒物浓度(PM_(2.5))估计技术依据成像时悬浮细颗粒物对光线散射和吸收的整体影响来评估其浓度。这类技术具备良好的普适性,可实时检测广阔区域。已有研究依赖大气光均匀且充足的日间场景,无法适用于缺乏大气光且光照不均匀的夜间场景。本文提出首个基于视觉的夜间PM_(2.5)浓度估计方法,通过图像处理捕获人造光源在不同散射方向的光强分布,并以此特征拟合浓度值。该方法创新地将人造光源及周边光晕区域视为夜晚雾霾信息的主要来源。由于夜间自然光照强度相对人造光源较低,其主导的区域往往趋于漆黑,导致日间雾霾信息的主要来源(自然光照下像素颜色随着景深增加而逐渐接近“大气光/天空”颜色)在夜间的作用相比光源处要小很多。该方法明显优于日间PM_(2.5)估计方法,平均误差(MAE)为6.187μg/m^(3),决定系数(R^(2))为0.857,对比最新的端到端的神经网络方法在MAE和R^(2)上分别有20.69%、13.36%的相对提升。

关键词： 压印字符   图像处理   字符检测   字符识别   深度学习  

摘要： 在自动化装配线上轮胎与轮毂装配时,需要检测与识别轮胎表面的压印字符串,从而得到轮胎的品牌、型号、尺寸以及生产的年周号等信息,用以管理轮胎信息以及监控轮胎的流向。针对轮胎表面压印字符串的检测与识别问题,文章提出一种基于深度学习的轮胎胎面关键字符的检测与识别方法,搭建了可编程逻辑控制器(programmable logic controller,PLC)、工控机和工业相机的自动化检测与识别平台,通过霍夫变换及坐标变换对采集后的图像进行预处理,采用改进的更快速的区域卷积神经网络(faster region-based convolutional neural network,Faster RCNN)算法为基础检测出目标字符串位置,再通过卷积递归神经网络(convolutional recurrent neural network,CRNN)对检测出的目标字符串进行识别,同时利用编码规则校验识别结果,以提升识别结果的准确率。实验结果表明,改进后的算法在进行轮胎压印字符串的检测与识别时其准确率超过97.0%,满足工业生产应用需求。

关键词： 图像处理   图像融合   低秩稀疏矩阵分解   离散余弦变换  

摘要： 针对多聚焦图像融合过程中存在聚焦边缘模糊、伪影和块效应的问题,提出一种基于低秩稀疏矩阵分解(LRSMD)和离散余弦变换(DCT)实现多聚焦图像融合的算法。首先,利用LRSMD将源图像分解为低秩和稀疏矩阵两部分;然后,设计DCT方法检测低秩矩阵部分聚焦区域,构建初始焦点决策图,并利用重复一致性验证方法验证决策图,同时设计基于形态滤波的融合策略,得到稀疏矩阵部分融合结果;最后,采用加权重构方法对两部分进行融合。实验结果表明,相较于其他5种主流算法,所提算法在主观评价上具有高清晰度和全聚焦的优势,在客观评价上,边缘信息保持度、峰值信噪比、结构相似性及相关系数4个指标最高分别提高了62.3%、6.3%、2.2%及6.3%,证明所提算法有效提升了对源图像聚焦信息的提取能力,增强了聚焦边缘细节信息,同时对伪影和块效应的减少起到了重要作用。

关键词： 图像处理   视网膜血管分割   Unet   卷积神经网络(CNN)   多尺度特征提取   多通道注意力机制  

摘要： 视网膜血管的分割精确率对眼科疾病和糖尿病早期诊断有着重要影响。面对现有方法在微血管与病变区域分割性能差的问题,本文提出一种强化提取血管特征的分割模型。该模型在编码部位引入多尺度特征提取残差模块(multi-scale feature extraction residual module,MFE-residual)和多级残差空洞卷积层,用来扩展感受野,学习多层次图像特征,提高模型对血管信息的利用率;下采样和短连接部位分别融入轻量化注意力机制和多通道注意力模块,增加模型对血管的识别度,降低误分割的可能性。本文基于DRIVE和STARE两种公开数据集进行了实验,来验证改进模型的分割能力。结果表明,两种数据上的准确率分别为0.9652和0.9715,灵敏度分别为0.8205和0.8256,与其他算法相比,分割性能更有优势。

关键词： 目标检测   BF-YOLOv5   图像融合   双分支结构   BiFormer  

摘要： 在目标检测领域,夜间、大雾、遮挡及战场伪装等复杂的环境中,使用单一的图像传感器不足以反映全部的场景信息,难以提高复杂环境中目标检测精度。为此提出了以YOLOv5为基础的BF-YOLOv5算法,算法采用双分支结构,通过两个Backbone分别读取可见光图像和红外图像,在每个Backbone中分别融合了CBAM,通过学习的方式自动获取每个特征通道的重要程度,并且利用得到的重要程度来提升特征,抑制对当前任务不重要的特征。在Neck部分融合了BiFormer注意力机制,用来提升对小目标的检测能力。实验证明,BF-YOLOv5算法在红外及可见光FLIR数据集和LLVIP数据集上的检测精度均高于原有算法,在FLIR数据集上平均精度均值(mAP)高达86.6%,相比原有双分支算法提升了2.2个百分点,显著提高红外和可见光融合图像的检测性能。

关键词： YOLOv7   深度学习   输电线路缺陷检测   小目标检测   多尺度融合   Swin Transformer   β-dropout   自适应特征融合   损失函数  

摘要： 针对在复杂背景下输电线路多尺度缺陷目标检测精度较低的问题，文中提出一种基于改进YOLOv7（You Only Look Once version7）的输电线路多类缺陷目标检测模型。针对复杂背景造成缺陷目标较低的问题，在Backbone部分引入改进Swin Transformer模块，通过使用多头注意力机制提高对全局特征提取效果来提高模型的检测精度。针对待检测目标的多尺度特性，在特征金字塔基础上引入自适应特征融合模块，提升Neck部分特征融合网络对多类不同尺度缺陷目标的检测能力。使用SIoU（Structured Intersection over Union）损失函数提高预测框回归精度的同时加快模型收敛。实验结果表明，相较于YOLOv5、YOLOv7和Faster R-CNN(Faster Region with Convolutional Neural Network)模型，改进YOLOv7模型具有较高的检测精度，其平均检测精度可达96.4%，检测速度为29.6 FPS，能够为输电线路多类缺陷目标检测提供有效探索。

关键词： 选矿摇床   YOLOv5   目标检测   自适应截取  

摘要： 摇床受到多个参数条件的影响，包括给矿量、给矿浓度、给矿品位以及给矿粒度等，床面上矿带的位置、颜色、宽度会随之发生相应的变化，为了保证精矿的品位，工人需要及时调节精矿截取位置以保证精矿品位的稳定。由于每个操作工的经验、技术不一样，容易造成生产指标的波动。为了减轻操作工人的劳动强度，提高选矿摇床矿物分选的自动化水平，本文提出了一种改进的YOLOv5目标检测算法，并对摇床精矿带和中矿带的分界点(矿带分离点)及标识点信息进行了成功提取。与YOLOv5、SSD、Faster-RCNN等其他算法对比，改进的YOLOv5算法的检测效果最好精度最高，平均精度达98.3%。