结合密度图回归与检测的密集计数研究

针对基于检测以及基于密度图两种主流的密集计数方法中,基于检测的方法召回率较低、基于密度图的方法缺失目标物体位置信息的问题,将检测任务与回归任务相结合后提出一种基于密度图回归的检测计数方法,可以实现对密集场景中目标物体的计数以及定位,对两种方法进行优势互补,在提高召回率的同时,实现标定所有目标物体的位置信息。为提取出更加丰富的特征信息以面对复杂的数据场景,网络提出特征金字塔优化模块,该模块纵向融合底层高分辨特征与顶层抽象语义特征,横向融合同尺寸的特征,丰富目标物体的语义表达;考虑到密集计数场景中目标物体所占像素比例较低的问题,提出一种针对小目标的注意力机制,通过对输入图像构建掩膜以增强网络对目标物体的注意力,从而提高网络的检测敏感性。实验结果表明,所提出方法在保持准确率基本不变的情况下,大幅度提高了召回率,同时可准确标定目标物体位置,有效提供输入目标图像的计数以及定位信息,在工业以及生态等各种领域具有广泛的应用前景。

基于分数阶全变分和低秩正则化的彩色图像去模糊方法

针对现有的彩色图像去模糊过程中存在色彩失衡、阶梯效应和伪影等现象,提出了一种基于分数阶全变分和低秩正则的图像去模糊优化方法。首先,将传统的RGB彩色图像转换到YCbCr颜色空间,利用其亮度通道特征解决色彩失衡问题;其次,利用分数阶全变分的特征消除图像恢复任务中出现的阶梯效应,并且引入加权核范数低秩正则进一步抑制伪影及噪声;最后,利用交替方向乘子法设计出高效的求解方法,通过迭代优化得到纯净图像的最优估计。对彩色图像测试的实验结果表明,所提出的方法对图像去模糊任务取得较好的视觉恢复效果,客观评价指标良好。

基于文字边缘失真特征的翻拍图像篡改定位

针对翻拍文档图像的篡改定位问题,提出一种基于文字边缘失真特征的翻拍图像篡改定位方法。从文字边缘分布、边缘梯度以及待检测文本与参考文本在边缘梯度上的差异3个方面构建了文字失真特征,并训练了一个基于深度神经网络的分类器进行决策。同时,为了评估检测方法的性能,构建了一个包含120张合法图像、1 200张翻拍篡改文档图像的数据集。实验结果表明:所提出的方法在跨库实验场景下词汇级别的ROC曲线下面积(area under ROC curve,AUC)和等错误率(equal error rate,EER)分别达到了0.84和0.23;与Forensic Similarity (128×128)和DenseFCN相比,所提出的特征结合LightDenseNet的方法在翻拍篡改文档数据集的跨库协议下,词汇级别的AUC指标分别提高了0.06和0.17。

基于深度学习的电解电容表面视觉检测

在工业环境下的电解电容检测中,由于光照不均和其他噪声干扰,单步骤多盒探测器(single shot multibox detector,SSD)算法易出现检测效果不佳、漏检率高等问题。为提高电解电容检测的准确性,在原SSD算法的基础上提出一种基于深度学习的第3版轻量级网络的单步骤多盒探测器(mobile networks version 3-single shot multibox detector,MobileNetV3-SSD)算法。采用改进的视觉几何群网络(visual geometry group networks 16,VGG16)模型提取输入图像的特征信息,并利用网络中4个有效的特征图生成目标的众多先验框,经非极大值抑制(non maximum suppression,NMS)进行筛选确定边框位置,从而完成电容的表面识别。本算法还引入了迁移学习提高了算法模型本身的稳定性和泛化能力。相比于SSD和快速区域卷积神经网络(faster region convolutional neural networks,Faster R-CNN)算法,文中的算法识别精度和运行速度都得到了提升,平均精度达92.71%,耗时仅为25 ms,为电解电容的出厂检测提供很好的技术支持。

基于投影法的虚拟现实三维建筑模型构建

虚拟现实三维建筑模型的制作过程复杂且数据量巨大,传统建模技术下的模型误差较大。为此,文章提出了基于投影法的虚拟现实三维建筑模型构建方法,通过采集和预处理实体建筑的点云数据,利用投影法生成初始模型,结合3DMax软件的纹理库添加细节信息,增强建筑模型的真实感和逼真度。该方法简化了虚拟现实三维建筑模型的制作过程,提高了模型的精准度和真实感。实验结果显示,建模平面误差为0.15 m,高程误差为0.36 m,达到了Ⅰ级建模标准。

基于包围跳跃和改进反距离加权插值的光线投射算法

本文提出了一种基于包围跳跃和改进反距离加权(IIDW)插值的光线投射算法,用于医学影像三维(3D)重建。通过包围跳跃技术,减少无效投射光线,并且跳过包围盒(BB)内对图像质量无贡献的空体素,以提升绘制速度。通过IIDW插值技术,代替传统的三线性插值方法,简化插值运算。同时在图像合成的过程中增加中间采样点,以提升三维模型质量。实验结果表明,本文提出的算法既可以提升三维模型的绘制速度,同时也可以提高三维模型的绘制质量。

基于数字全息的模糊图像复原技术研究

采用数字全息方法研究物体经散射介质(毛玻璃)成像复原机理。首先,在菲涅尔离轴数字全息原理的基础上,建立了数字全息记录与再现的数学模型。然后,设计和搭建了全息散射成像系统,建立了毛玻璃的数学模型,并提出一种消除毛玻璃散斑噪声的算法,利用菲涅耳再现算法对实验得到的数字全息图进行再现。最后,用频谱滤波法对全息图再处理后进行再现。实验结果验证了理论算法和实验方法的正确性,为今后物体经过复杂介质的图像复原的深入研究提供了帮助。

基于电子病历的常见不良出生结局可视化分析

早产、巨大儿、低体重儿作为常见的不良出生结局,不仅影响围产期的致病率与死亡率,还影响新生儿的长期健康.目前早产、巨大儿、低体重儿的发病机制还尚未明确,医生在临床诊断中难以较早地发现高危人群,也难以分析出孕妇在孕期内的变化规律.随着电子病历的普及以及可视化技术的发展,为不良出生结局的风险预警评估提供了支撑.本文使用产科电子病历数据,设计出基于电子病历的常见不良出生结局可视化分析方法.文中通过特征分布旭日图和数值分布图发现高危人群,使用正常和异常特征值对应的人数变化图来展示孕妇在孕期内的变化规律.最后,通过构建3个案例研究以证明该可视化方法的有效性.

印花面料的边缘轮廓快速提取方法

工业协作型缝纫机器人代替操作工自动完成缝合是未来发展的必然趋势,但当前的工业协作型缝纫机器人难以快速精准地定位面料边缘轮廓信息,影响缝纫效率与缝纫质量。针对印花面料提出线下使用深度学习建立面料检测模型,线上调用面料检测模型分割面料与背景并结合传统轮廓检测算法快速准确提取面料边缘轮廓的方法。首先,建立面料图像数据集,并通过卷积拆分和融合损失函数对VGG-UNet模型进行优化,将面料数据集输入至优化的VGG-UNet模型进行训练学习并构建最优面料检测模型;其次,利用最优面料检测模型分割面料与背景;然后,采用数学形态学算法对分割后的面料图像进行自适应开运算去除面料边缘的毛边;最后,利用Canny算子对去除毛边后的面料图像进行轮廓提取。实验结果表明,本文方法可较好去除面料毛边并快速精准提取印花面料的边缘轮廓,所提取的轮廓与面料边缘轮廓高度拟合,轮廓提取精度高于99%,轮廓提取时间仅需0.216 s。本文研究可为后续机器人的轨迹规划提供快速准确的坐标信息,提高缝合质量和效率,推进无人化、自动化缝合生产线的实现。

基于两阶段深度学习的表格结构识别方法

鉴于在图像中识别表格结构面临着表格样式众多、图像质量各异等难题,提出一种融合表格线与文字块信息的两阶段深度学习框架,以实现少线复杂表格结构的识别.首先,将残差结构引入U-Net语义分割网络中,增强网络传递表格线信息能力,完成表格线的识别;然后,加入文字块位置信息以提高模型识别无线或少线表格结构的能力.该方法在PubTabNet数据集上的树编辑距离(tree-edit-distance similarity,TEDS)评分达到95.95.实验证明,该方法在识别少线表或无线表时表现优秀,并能高效、准确地识别存在合并单元格的复杂结构表格.

基于SSD与FaceNet的人脸识别系统设计

人脸识别技术广泛应用于考勤管理、移动支付等智慧建设中。伴随着常态化的口罩干扰,传统人脸识别算法已无法满足实际应用需求,为此,本文利用深度学习模型SSD以及FaceNet模型对人脸识别系统展开设计。首先,为消除现有数据集中亚洲人脸占比小造成的类内间距变化差距不明显的问题,在CAS-IA Web Face公开数据集的基础上对亚洲人脸数据进行扩充;其次,为解决不同口罩样式对特征提取的干扰,使用SSD人脸检测模型与DLIB人脸关键点检测模型提取人脸关键点,并利用人脸关键点与口罩的空间位置关系,额外随机生成不同的口罩人脸,组成混合数据集;最后,在混合数据集上进行模型训练并将训练好的模型移植到人脸识别系统中,进行检测速度与识别精度验证。实验结果表明,系统的实时识别速度达20 fps以上,人脸识别模型准确率在构建的混合数据集中达到97.1%,在随机抽取的部分LFW数据集验证的准确率达99.7%,故而该系统可满足实际应用需求,在一定程度上提高人脸识别的鲁棒性与准确性。

基于光束法平差的双线阵系统标定技术

针对线阵相机特殊使用场景中所需要的高精度图像,对线阵相机进行高精度标定;提出一种基于光束法平差的双线阵相机标定方法;通过背景差分法获取线阵相机的特征点的像素坐标;再利用已有的直接线性变换方法和非线性优化方法求出相机的内参、外参及畸变参数后,将得到的初始参数与世界坐标作为待优化集合,利用LM法和光束法平差对该集合进行更进一步的优化,使得双线阵系统的重投影误差降到最低;实验表明,该方法与传统的线阵相机标定方法相比重投影误差降低了75.01%。

基于特征融合与注意力的服装图像分类算法

针对服装图像分类特征信息丰富度低、特征表示能力弱以及分类准确度不高的问题,提出一种基于特征融合与注意力机制的服装图像分类算法。该算法采用卷积神经网络ResNet50作为基础分类网络结构,通过融合多个阶段卷积层提取到的特征以丰富模型提取的特征信息,并在模型中嵌入通道和位置注意力模块以增强特征表示。实验结果表明,所提出的算法在自建数据集和DeepFashion数据集上准确率分别为79.69%和82.22%,分别高于基准模型1.95%和1.76%。由此验证了所提出的算法能够提取到更丰富的服装特征信息,且具有更强的特征表示能力,从而提高了服装图像分类效果。

基于模板匹配的车牌字符识别算法研究

基于模板匹配的字符识别是车牌识别中重要的研究方法,该方法下组成的车牌识别系统涵盖了图像预处理、车牌定位、字符分割以及模板匹配等主要内容。该算法首先对拍照获取的车牌图像进行灰度化、边缘检测、阈值分割等预处理,其目的是为得到只含有车牌信息的图像;然后将车牌图像进行腐蚀处理,确定车牌区域,并且通过二值化得到突出车牌字符信息的二值图像,以便于进行字符分割;最后再将分割出的字符与字符模板进行匹配得到准确的识别结果。实验结果表明:基于该方法所实现的车牌识别系统,其识别过程简单且便捷,对于车牌的定位较为精准,能够较好地满足车牌识别的基本要求。

基于单目视觉与YOLOv5算法的入侵检测系统设计与实现

全自动卸砖打包机已成为砖瓦建材生产线的标准配置,作业期间闲杂人员非法进入工作区域极易引发安全事故。监测到非法人员进入危险区域后自动报警,并在紧急情况下自动停机处理已成为卸砖打包机升级改造的重点。现有基于红外传感器检测或超宽带技术建立虚拟电子围栏的方法存在检测精度低、预警方式单一以及事故发生后责任难以界定等问题。为此,研发一种基于单目视觉与目标检测算法YOLOv5的全自动卸砖打包机工作区非法入侵检测系统。该系统由摄像头、单片机、报警器、继电器以及控制软件等组成,采用单目摄像头进行图像获取与定位测距,利用目标检测算法YOLOv5进行目标检测与识别;检测到闲杂人员非法进入工作区时会发送相应指令给单片机,由控制传感器进行报警、停机等处理。仿真实验结果表明,该系统能有效完成拍照、定位测距、检测识别、告警、紧急停机等功能,准确度达到94%以上,与现有方法相比功能更强、成本更低,可有效解决工作区域内闲杂人员非法进入等安全问题。

基于ControlNet的儿童床设计效果图生成技术

基于深度学习的计算机生成技术,可实现产品设计效果图快速生成,对提升产品设计效率、降低人工劳动强度具有积极作用,也为高质量的图像生成提供了新思路。本研究提出了一种基于ControlNet的儿童床设计效果图生成方法。首先,采用Canny边缘检测算法对原始图像进行处理,得到对应的边缘图像;然后,利用控制分支网络从边缘图像中提取特征;最后,将提取的边缘特征融合到原有的扩散模型特征层中,并作为条件来控制ControlNet的生成过程,通过设置不同的随机数种子,可生成具有相同结构但不同配色的目标图像。以FID值、Inception Score值为指标,对试验结果进行定量评估,结果表明:相较于CycleGAN、ChipGAN、Style2Paints 3种图像生成模型,基于ControlNet生成的图像不仅拥有较好的多样性,其图像细节质量也有所提高,证明了所应用模型的有效性和合理性。同时,对基于ControlNet的儿童床设计效果图方法进行了专家评估,评估满意度达92.22%,进一步证明该方法的可靠性和适用性。将ControlNet应用于儿童床设计效果图工作是可行的,不仅可为设计师提供设计灵感,也可节省人力与物力成本,提高设计效率。

基于ClickHouse数据库实现加能站大数据客户画像分析

以石油销售行业为例,传统的客户画像分析方法在数据存储和计算时效率低、处理过程复杂,提出了一种高效精准的客户画像分析方法——ClickHouse列式存储数据库。介绍了该数据库的优点及数据采集和清洗、存储和管理、分析和计算以及精细化营销应用,针对客户群体的基本属性和交易行为,设计多维度层面的不同类别标签,并应用条件标签的组合,快速而准确地筛选出特定的客户群体,实际应用表明:该数据库可以为精细化的营销和个性化的服务提供依据和支持。

Flash角色动画控制系统的设计与测试分析

本文探究了Flash角色动画控制系统的设计要点,并对其功能、性能和人机交互进行了测试。该系统基于Actionscript3.0开发,通过显示器、键盘、鼠标等I/O设备实现用户与系统的交互,利用API接口将用户编辑的指令发送给图形管理器、输入管理器等设备,完成角色创建与移动、音乐的播放与停止等操作;操作信息和运行信息被保存在数据库中。在Windows10环境下进行了黑盒测试,从测试情况看,该系统用户界面美观友好、简洁清晰,角色创建与拖动,关键帧动画播放以及运动模拟等功能均可正常实现,并且系统实时反馈效果较好,较好地满足了设计要求。

LRAE-Unet:轻量级MRI脑肿瘤全自动分割网络

提出一种轻量级脑肿瘤全自动分割网络,即轻量级残差注意力增强网络(LRAE-Unet)。首先采用轻量级残差模块解决网络层数增加时出现的梯度消失和网络退化问题;其次采用轻量级自注意力模块抑制输入图像中的不相关区域,同时突出特定局部区域的显著特征;最后通过增强视野平均池化模块减少特征图的空间,节省计算资源,控制网络过拟合现象。在BraTS 2019数据集的测试结果显示LRAE-Unet在完整肿瘤、肿瘤核心与增强肿瘤区域的Dice相似系数为91.24%、88.64%与88.32%,证明使用LRAE-Unet进行脑瘤分割具有可行性与有效性。

基于YOLO-v7的无人机航拍图像小目标检测改进算法

在无人机航拍图像目标检测任务中传统目标检测算法实时性与精确性差,且原始YOLO算法对小目标的误检、漏检率较高。航拍图像对视角、图像数据量、目标尺度等方面的要求较高,与普通图像有显著差异。鉴于此,针对无人机航拍图像小目标检测难题,提出一种基于YOLO-v7的改进算法FCL-YOLO-v7。首先,添加小目标检测层,改进特征提取网络结构与先验框配置;其次,用FReLU激活函数替代原有的SiLU激活函数;再次,在骨干网络中添加CBAM注意力机制;最后,结合公开数据集与自主采集的无人机航拍图像构建小目标数据集。实验结果表明,改进算法在无人机航拍图像小目标数据集上的精确率比原始算法提高6.7%,比YOLO-v3提升7.3%;召回率比YOLO-v5高3.3%。