基于边缘计算和深度学习的光电探测设备故障检测

以提升光电探测设备故障检测效果为目标,提出基于边缘计算和深度学习的光电探测设备故障检测方法。首先利用多传感器采集光电探测设备工作状态信号,从信号提取特征,然后采用边缘计算技术搭建光电探测设备故障检测平台,并采用深度学习算法对光电探测设备故障检测样本进行建模,构建光电探测设备故障检测分类器,最后仿真测试结果表明,本方法能够高精度进行各种光电探测设备故障检测,光电探测设备故障检测正确率超过95%,光电探测设备故障检测时间控制在20 ms以内,获得了理想的光电探测设备故障检测结果。

基于多级特征融合的红外图像多目标分割研究

为解决采用单一特征分割红外图像多目标时,分割精度过低的问题,提出基于多级特征融合的红外图像多目标分割方法。分别提取红外图像的熵特征、对比度特征和梯度特征,采用并行加权特征融合方法融合所提取的红外图像的多级特征,构建红外图像的多级特征融合空间,设置红外图像的多级特征融合空间作为Mean-shift算法的遍历空间,对多级特征融合空间内的全部特征点实施均值漂移处理,获取红外图像多目标分割结果。实验结果表明,该方法可以利用所提取红外图像的多级特征,分割红外图像的多目标,红外图像多目标分割精度高达99.5%。

基于三维光学测量的光纤微缺陷无损检测研究

为构建光纤三维模型,提升光纤微缺陷无损检测效果,提出三维光学测量的光纤微缺陷无损检测方法。用外差式多频相移技术和双目立体视觉技术,建立光纤三维模型;灰度变换光纤三维模型图像信息,获取光纤灰度图像;用Gabor滤波器,提取光纤微缺陷特征;分块处理光纤微缺陷特征图像,获取光纤微缺陷块;联通光纤微缺陷块,得到光纤微缺陷区域;计算光纤微缺陷区域微缺陷权重,完成光纤微缺陷无损检测。实验证明:该方法可有效无损检测光纤微缺陷,微小疵点的光纤微缺陷无损检测误差最低,仅有3%。该方法的光纤微缺陷无损检测精度较高。

基于机器视觉的垃圾分类系统设计

针对垃圾分类效果不佳、效率过低和成本过高的问题,提出一种基于机器视觉的垃圾分类系统。系统通过OpenMV摄像头模块采集垃圾的图像信息,上传数据集到EdgeImpulse官网,进行数据的整理和数据集训练,之后迁移学习构建其神经网络模型,OpenMV输出识别的结果传递给单片机。单片机收到传递信息后,控制机械臂抓起垃圾并放入可回收垃圾桶和不可垃圾桶内。测试表明,设计的垃圾分类系统识别正确率达92%以上,具有识别正确率高、使用便捷和易操作等优点。