基于改进SSD的多目标零件识别系统研究

在零件的装配、分拣、焊接等工业生产过程中,使用图像处理的方法对零件进行识别能够大大减少夹具的使用。在零件的图像识别领域中,提出一种基于多尺度融合的MDSSD零件识别系统,MDSSD网络以SSD网络为基础,通过针对特定的零件识别场景,特别是小目标零件,使用融合模块实现深层网络和浅层网络的跨层连接,并且实现类别的预测以及坐标的回归。在特定环境的螺钉、螺母、垫圈的测试数据集上,分别使用SSD网络和MDSSD网络对单张图片的单类零件和单张图片的多类零件进行检测操作。实验表明,使用MDSSD算法平均检测精度达到97.11%,检测速度达到32.00 fps,MDSSD算法对比原来的SSD算法,平均检测精度提高了6.21%,能实时高精度地检测出零件,满足零件识别需求,可解决工业实际问题。

基于机器视觉的轮椅床可行驶区域分割研究

针对现有具备护理功能的电动轮椅床在轮椅状态下的体积较大、驾驶较为困难等问题,提出一种基于机器视觉的轮椅床避障方案,采用视觉传感器采集环境信息,应用深度残差神经网络理论进行图像分割,检测出视场中的可行驶区域和障碍物。根据轮椅床实际运行环境特点,将公开数据集中的图片重新划分标签,采用重新划分标签后的数据集对分割模型进行训练。对训练后的模型进行可行驶区域分割试验,并与传统分割方法进行对比。结果表明,基于深度残差神经网络的分割方法解决了传统图像分割方法在地面和障碍物外观接近、2种不同地面的交界处以及光照不均匀等情况下易失效的问题,平均分割精度达到90%以上。

基于机器视觉的随机纹理瓷砖的分选系统

针对日益加快的瓷砖生产速度与缓慢的人工分选速度之间不协调导致的瓷砖出产效率低下的问题,提出了以机器视觉软件HALCON 11.0为软件开发平台的结合瓷砖颜色、纹理特征提取的算法,以及针对多分类问题的改进多层感知器神经网络算法(MLPNN).首先对拍摄到的瓷砖图像进行去噪预处理,在HSI颜色空间中提取瓷砖的色调(Hue)特征并计算反映瓷砖的纹理特征的灰度共生矩阵(GLCM)和灰度幅值分布特征,再将得到的特征作为多层感知器的神经网络输入层神经元,然后设计以softmax为激活函数的多层感知器神经网络来进行模式匹配,并与BP神经网络模式匹配方法进行对比,最终搭建出具有简单人机交互界面的随机纹理瓷砖的分选实验样机.实验结果表明:本系统对实验的各类随机纹理瓷砖的分选准确率都在90%以上,具有较高的分选准确率,能应用于瓷砖生产实践.

结合特征置信度的背景感知相关滤波跟踪算法

基于相关滤波的跟踪算法表现突出,然而在复杂跟踪环境下跟踪器很容易发生预测错误而导致跟踪失败。针对这一问题,提出一种结合特征置信度的背景感知跟踪算法。首先,采用较大的样本采集区域捕捉背景信息对滤波器训练,利用二次项替换及交替方向乘子法对模型进行快速求解。在颜色特征、方向梯度直方图特征以及灰度特征等多特征融合的基础上,根据目标响应大小对每个特征通道动态计算特征置信度,通过特征置信度加权来训练新的滤波器。为提高滤波器鲁棒性,结合APCE和特征置信度对滤波器进行高置信度更新。所设计的算法在OTB100数据集上与多个优秀相关滤波算法进行对比,实验结果显示,该算法在多种复杂场景下均具有较好的准确性和实时性。

一种基于YOLO的多尺度融合图像分割模型

图像分割是指将图像分成若干具有相似性质区域的过程,是许多图像处理任务的预处理步骤。针对现有的分割模型结构在大目标上表现比小目标更好,需要在细粒度特征上有针对性的强化,需要在结构上进一步进行创新尝试,高效利用特征图表达。在研究了国内外总体的图像分割模型之后,研究YOLO框架用于检测和识别目标原理,并利用特征图的可迁移性质,取以其前半部分作为分割模型的特征图进行研究。接着提出了一种改进的多尺度融合图像分割模型,将不同层的特征图加以整合形成一张新的特征图的方法,使用一组因子将输入特征图显式降采样为小尺寸,然后独立进行卷积,从而得到不同比例的表示。最后通过对改进模型进行试验,并与其他分割模型进行比较总结,测试图像的分割精度达到了0.833,相较于传统的CNN分割图像模型有所提高,具有一定的应用价值。