基于图像增强和CNN的布匹瑕疵检测算法

布匹缺陷检测是纺织行业生产过程中保障布匹质量的重要环节,计算机视觉技术的发展使得利用数字图像处理来检测布匹瑕疵成为大势所趋。针对布匹生产企业存在人工检测布匹瑕疵效率低、误检率和漏检率高的问题,结合布匹纹理比较统一的特征以及布匹瑕疵数据规模小的特点,提出一种基于图像增强和卷积神经网络(convolutional neural network, CNN)的单色布匹瑕疵检测方法,设计了结合数字图像增强技术的浅层卷积神经网络结构。摄像机采集的布匹图像经过图像预处理、图像增强和边缘检测后,突显布匹的纹理特征和瑕疵区域,提升了卷积神经网络对布匹有效特征的提取效率,减少了不必要的特征提取,有效降低了神经网络模型的过拟合问题造成的错误率。实验结果表明,该方法可实现较高的准确率,在PC机的GPU模式下,准确率可达到93%。

一种用于小人脸精准检测的图像超分辨率算法

针对实际应用中视频流的小人脸检测难度大、误检率高的问题,结合人脸图像结构信息提取,提出基于图像超分辨率的小人脸检测模型,设计一种应用于小人脸精准检测的改进POCS图像重建算法,该算法首先对小人脸图像进行图像增强(直方图均衡化、图像降噪、边缘增强),以获取小人脸结构信息,再将增强后的图像作为POCS超分辨率算法的基础帧,并在传统POCS算法中利用三次样条插值和中值滤波进行边缘优化超分辨率重建,并采用最小绝对差分配准则的块匹配算法进行图像配准和图像矫正,最后将三次插值、基本POCS小人脸图像以及本文提出的改进超分辨率图像输入到Dlib人脸检测模型中进行测试,实验结果表明本文模型的可行性和所提出的超分辨算法的有效性。

高等学校教务管理信息系统设计

一套高效、全面、可靠的教务管理系统可以提高高校的工作效率和服务水平,并助力高校的信息化建设。但目前部分高校设计的教务管理系统仍存在应变突发能力弱、缺少便捷性、与实际高校业务需求不相匹配等问题。针对这些有待优化解决的问题,该文以学生端、管理员端、教师端三个模块为切入点,对高校教务管理系统的系统总体功能结构、系统功能模块、系统数据库进行了详尽的设计。该教务管理系统具有强兼容性、稳定性、安全性、可扩展性、易学易用性、准确性六大优点。