LBP与低秩分解的网状织物纹理缺陷检测方法

针对网状织物纹理复杂,缺陷检测难度大的问题,提出一种基于局部二值模式(LBP)与低秩稀疏矩阵分解的网状织物纹理缺陷检测方法.首先,采用等价旋转不变的局部二值模式算法提取网状织物纹理特征,获得纹理特征矩阵;其次,根据纹理特征矩阵构建低秩稀疏分解模型;最后,通过最佳阈值分割算法对网状织物低秩稀疏分解产生的显著图进行分割.实验结果表明,与K-奇异值分解(K-SVD)算法相比,该方法的平均准确率达到89.94%,平均召回率达到93.88%,分类总正确率达到92%以上。

ECO多特征融合目标工件跟踪方法研究

针对复杂环境中目标工件跟踪精度不高的问题,提出了一种基于ECO改进的目标工件跟踪方法。首先基于ECO相关滤波器框架,采用VGG特征与传统手工特征加权融合的方法,有效提高目标工件跟踪精度;然后,利用快速判别尺度空间跟踪器实现对目标工件的尺度自适应跟踪;最后,引入一种高置信度更新指标确定跟踪模型的稀疏更新策略,提高算法鲁棒性。在OTB-2015标准数据集上进行测试,并与其他主流跟踪算法进行对比,实验结果表明,该算法的平均跟踪精度和平均重叠精度均为最优,分别达到89.2%和68.6%;对于使用CCD工业相机拍摄的目标工件数据集,同样具备良好的跟踪性能,进一步验证了算法有效性。

基于残差与注意力机制的原棉杂质检测

针对原棉杂质检测准确率不高的问题,以新疆棉花为研究对象,提出基于残差与注意力机制的原棉杂质检测算法。该算法为2阶段算法,准确率较高。首先,采集原棉杂质图象后对图像进行标注,再进行数据增广,可以避免训练过程中的过拟合现象,接着在原框架引入视觉注意力机制,通过改进算法结构来提高原棉杂质检测的准确率。其次,通过分析对比几种不同网络对原棉杂质检测的准确度,选取ResNet50为特征提取网络,该网络提高了算法的复杂特征提取能力。最后,采用RoI Align来减少量化误差,从而提高检测原棉杂质的准确性。实验结果表明,改进的算法虽然略微增多检测时间,但其整体检测准确率明显优于原算法,整体识别的准确率可达到94.84%,较改进前Faster R-CNN(faster region-based convolutional neural network)的识别率提高了5.58%。同时通过对比不同网络模型,结果显示改进后的Faster R-CNN对原棉杂质检测的效果更好。