基于快速傅里叶变换和改进分水岭算法的纸病实时检测复合算法

本课题提出了一种适合高速宽幅造纸机纸病在线实时检测的复合算法,该算法的基本思想是:首先通过快速傅里叶变换(fast Fourier transform,FFT)将时域图像转换到频域,以便使用频域图像与高斯(Gaussian)高通滤波器做乘积运算进行滤波;再通过快速傅里叶逆变换(inverse fast Fourier transform,IFFT)将频域中的图像转换到时域,以便下一步使用运算速度较快的分水岭算法对滤波后的图像进行快速缺陷分割,实现纸病在线实时检测。利用采集到的2000余张纸病图片进行纸病检测实验,结果表明,本课题提出的复合算法具有快速、高效、适用性强、分割效果好等优点,可满足纸病在线检测对图像处理算法实时性和准确性两方面的要求。

基于孪生网络的高速公路雾天能见度识别方法

从监控视频中准确识别高速公路雾天能见度等级,对于高速公路智能监管具有重要意义。针对当前高速公路能见度识别方法存在的精度低、速率慢、泛化性弱等问题,研究了基于孪生网络的能见度识别方法,重点关注于图像特征提取模块和等级识别主干模块的优化。图像特征提取模块采用改进的VGG16网络作为骨干网络,为增强网络从图像全局信息中提取重要特征的能力,在VGG16网络的5个block中增加卷积块注意力机制,达到强调有效特征和抑制无用特征的作用;为提升网络的泛化能力和训练速率,在网络卷积层之后添加滤波器响应归一化层来消除各维数据之间的差别;为解决网络权重参数冗余问题、防止过拟合,采用全局平均池化将输出特征图直接压缩为1×1向量,代替VGG16网络中前2层全连接层。等级识别主干模块采用孪生网络作为主体框架,将图像特征提取模块提取的有效特征进行前向传播,使用对比损失函数的距离测量方法在高维空间中对比输入图像对的相似程度来进行雾能见度等级识别。实验以2022年8月—2023年1月通过高速公路摄像机采集的陕西省部分高速公路雾天真实图像作为测试集对模型进行验证,结果表明:所提方法的识别准确率为90.3%,相比于单一网络AlexNet,ResNet50,VGG16在准确率上分别提高20.4%,18.9%,18.0%,相比于以单一网络为基准构建的孪生网络模型Simaese-AlexNet,Simaese-ResNet50,Simaese-VGG16在准确率上分别提高16.2%,11.0%,5.4%。所提出的方法对高速公路雾天能见度识别具备较高的准确率,有助于提升高速公路雾天的智能监管能力。