基于机器视觉的家具板件尺寸在线测量系统

提出一种家具板件几何尺寸测量机器视觉系统,采用两级成像排除板件的颜色、纹理、图案、标识和表面缺陷等对图像质量的影响,并利用线性聚焦光源、线扫描相机和编码器获取高对比度、轮廓清晰的板件图像。在此基础上,设计图像处理软件、提取出板件的几何要素,进而计算出板件的长度、宽度、对角线等15个尺寸参数。工厂应用测试结果表明,检测系统的速度和重复精度均高于人工测量,在测量误差±0.5 mm范围内,系统测量值与人工测量值的平均吻合度达到95%以上。

家具板件圆形孔位的机器视觉在线检测算法

为了高精度测量家具板件孔位,提出一种家具板件圆孔位置的机器视觉在线检测方法,为圆形孔位在线测量技术的进步提供支撑。图像经过像素值和距离相关滤波函数去噪处理、自适应二值化处理后,通过本文提出的二次孔定位算法进行处理,通过微调孔位逼近真实圆孔,解决常见畸变孔的位置提取。采用本文算法的试验结果表明,1022块家具板件上4056个圆孔位置检测5次的平均值为100.05 mm,重复标准差为0.041 mm;在±0.5 mm的误差范围内,孔心X坐标、Y坐标的人机测量相符度分别为99.8%、92.9%。

基于深度学习的籽棉中异性纤维检测方法

针对籽棉图像阴影多、常规图像处理方法难于识别的问题,以去除棉叶、棉壳等有机杂物的籽棉为样本,将不同颜色、形状、尺寸的12种常见异性纤维和籽棉样本随机地分布在运转中的传送带上,采用线扫描相机获得发光二极管(LED)照明的籽棉图像520张,"LED+线激光"双光源照明的籽棉图像1 148张。然后采用由13个卷积层、13个采样层和4个池化层构成的Faster RCNN深度学习人工神经网络,对2种成像方法获得的籽棉图像进行基于人工智能的网络训练,再进行异性纤维检测验证。实验数据表明,LED照明和"LED+线激光"双光源照明条件下,籽棉图像中的异性纤维的检出率分别达到了90.3%和86.7%,特别是LED照明条件下对白色异性纤维进行识别,其识别率由5.9%提升到了90.3%。

一种人工智能检测籽棉中异性纤维的方法

探讨基于卷积神经网络的Faster-RCNN深度学习方法,检测籽棉中异性纤维的检测技术。使用线扫描相机在LED照明条件下获取籽棉和异性纤维的图像,采用基于Faster-RCNN的人工智能深度学习方法处理图像。试验结果表明,Faster-RCNN处理方法对籽棉图像中异性纤维的检出率达到90%,相比传统的图像检测方法大幅度提高了检测率,特别是对传统方法难以识别的白色或浅色异性纤维,其检测率可以达到90%以上。认为:本文所采用的基于Faster-RCNN的人工智能深度学习方法处理图像在异纤检测应用上具有一定可行性。

基于弹性运动模型的改进型H．265

本文研究一种基于弹性运动模型的改进型H.265。在本文，我们采用基于二维离散余弦基函数的弹性运动模型，它不仅能用较少的弹性参数有效地拟合图像中缩放、旋转和形变等弹性运动矢量场，而且能广泛地应用于各种视频硬件实现中。对弹性运动模型参数求解时，我们采用了迭代高斯一牛顿梯度非线性最优化算法。主客观实验结果表明，在中低码率，相对于H.265，基于弹性运动模型算法的改进型H.265在图像失真度损失较小时却得到了可观的码率节省，适合在带宽资源有限的无线信道传输。

一种改进的工程化视频场景分割算法

视频序列的场景分割也称镜头变化检测,是视频检索及分析的关键技术之一。连续视频场景一般分为突变、渐变或镜头移动、局部运动三类,其中渐变是最难检测的。本文在工程化应用和传统检测算法的基础上,提出基于RANSAC算法估计摄像头移动模型参数的方法来区分渐变和摄像头移动,该改进算法满足低计算机资源消耗要求,具有实际工程应用价值。

基于OpenCV3的多角度成像系统

多角度成像作为机器视觉系统的成像端,可以获取到物体的整体信息,目前有效地使用于人头多角度融合检测、三维影像^([1])、医疗^([2])、植被检测^([3])等领域。本文利用多线程互斥对象同步技术解决多摄像头资源访问冲突问题,并基于OpenCV3图像处理库实现多角度成像系统,该系统简易高效、便于快速集成于现有机器视觉系统。