基于改进像素差分神经网络的碳管多层编织成形视觉检测

针对碳管预制体编织成形过程中编织网轮廓缺陷人工难以及时发现的问题,提出了多层碳管预制体编织网编织过程中的轮廓视觉检测方法。在原始像素差分神经网络的基础上进行改进,采用SimAM模块实现了网络的轻量化和更好的注意力关注效果,使用平衡交叉熵损失解决了碳管编织网数据样本分布不均匀的情况,同时,提出一种逐像素的编织网轮廓比对方法来判断编织网状态,以此判断编织网是否出现缺陷。试验结果表明:与原始像素差分神经网络相比,改进的像素差分神经网络对编织网轮廓提取结果的ODS和OIS分别提高了2.4个百分点和2.6个百分点。认为:改进的像素差分神经网络对于碳管编织网轮廓实现了更为精确的提取,更加适用于碳管多层编织成形视觉检测任务;逐像素比对方法对编织网轮廓缺陷可以实现准确及时的判断。

基于像素差分神经网络的断层识别方法

断层识别是地震解释的一项重要任务.相对传统的基于人工或半人工的断层检测方法,基于深度学习的断层检测方法具有自动化程度高等特点,近年来已经吸引了业界广泛兴趣.目前,大多数利用深度学习的断层识别方法都是基于语义分割或图像分类,但基于语义分割或图像分类的方法预测出的断层噪声较多.而边缘检测网络可以通过学习断层在地震剖面中不连续的特征,从而提高网络的抗噪能力.为了利用边缘检测网络的抗噪优点并提升其性能,本文采用基于像素差分的卷积运算构建出像素差分网络模型(Pixel Difference Networks,Pidinet).相较于传统的边缘检测网络,Pidinet将传统的边缘检测算子与深度学习网络结合,有效地提升了边缘检测的效果.为了使Pidinet网络更好地预测断层,本文对原始Pidinet网络进行了优化,去掉了相对断层识别任务而言多余的分支结构和卷积层.相对于传统的卷积运算,基于像素差分的卷积运算可以让神经网络更好地学习断层信息.为了让网络充分学习数据中的断层特征,本文将真实地震样本与合成地震样本混合得到训练所用数据集.实验证明Pidinet在交并比(Intersection over Union,IoU)方面较Holistically Nested Edge Detection(HED)边缘检测网络提升了10%左右.为了测试网络的迁移能力,本文只使用少量的数据样本对网络进行微调,迁移的结果较分类网络在F1分数(F1 Score)、灵敏度(sensitivity)等指标均提升了10%以上.最后,本文使用公开的实际地震数据进行测试,实验结果显示Pidinet识别出的断层连续且清晰,从而证明了基于边缘检测的深度学习算法在断层识别问题中的有效性.

基于像素差分卷积神经网络的类岩石裂缝检测方法

针对现有裂缝检测算法提取的局部梯度信息不足而导致裂缝识别精度低的问题,提出了一种基于像素差分的编码器-解码器U型结构的裂缝检测方法。使用由像素差分卷积块和残差块组成的PDCBlock作为网络的编码器,将两种不同方向上的像素邻域的差分值计算融合到卷积网络运算中,以充分获取裂缝语义信息的同时更好地捕获局部梯度信息,使得在背景复杂的情景下裂缝边缘识别更准确。在混凝土类岩石裂缝数据集CRACK500上对比了同类方法,实验结果表明:该方法在上述数据集上的平均交并比和Dsc分别为0.436 3、0.580 4,裂缝分割精度、相似性上均优于对比方法。

基于像素差分网络和边缘方向插值的图像缩放算法

通过对图像在缩放过程中使用的不同插值算法分析比较,针对新的边缘定向插值算法中存在人工选取经验阈值的随意性与边缘轮廓连续性的问题,本文提出一种基于像素差分网络和边缘方向的图像缩放算法。从人工选择阈值完成边缘分割改为利用像素差分网络实现边缘分割;对边缘点3×3区域查找边缘线方向作线性插值,以保持图像边缘轮廓的连续性,从而保留图像边缘结构。实验表明:该算法能在提高图像分辨率的基础上保留图像所具有的边缘结构,有较低的时间复杂度,同时对于不同图像该算法具有较好的普适性。

基于像素差分基元矩阵的图像检索

针对图像检索问题,提出一种基于像素差分基元矩阵的图像检索方法。该方法结合图像的颜色特征与纹理特征,在量化后的HSV颜色空间中提出10种基元;通过定义的基元扫描图像,生成像素差分矩阵以及基元过渡矩阵。最后利用统计算法将上述两个矩阵合并为一个像素差分基元矩阵,实现了颜色、纹理以及空间信息等多特征的图像检索。在Corel标准图像数据库中执行图像检索方法间的对比实验,在Corel-4000图像数据库中执行旋转图像检索实验,实验结果表明,该方法不仅具有良好的检索表现,而且可以实现旋转图像的检索。

基于邻域像素差分矩阵的彩色空域图像隐写分析特征

通过分析灰度空域图像隐写直接扩展至彩色空域图像潜在的安全问题,提出了针对彩色空域图像隐写的隐写分析特征。首先,计算颜色通道内邻域像素差分矩阵的Markov转移概率矩阵,提取颜色通道内特征并进行融合;然后,计算颜色通道间邻域像素差分矩阵的Markov转移概率矩阵,并将水平和垂直共4个方向与对角和反对角共4个方向的转移概率矩阵分别进行融合,作为颜色通道间特征;最后,颜色通道内特征与颜色通道间特征构成最终的隐写分析特征,并使用集成分类器作为特征训练和测试工具。实验结果表明,该隐写分析特征可有效检测彩色空域图像隐写,并且颜色通道间特征能有效捕获内容自适应隐写对彩色图像的颜色通道间相关性的影响。

基于几何特征的IC芯片字符分割与识别方法

针对IC芯片字符的分割与识别问题,提出了一种基于字符几何特征的分割方法和一种基于字符最小外接圆的归一化与重定位方法,使用基于像素差分的模板匹配完成识别。首先,对芯片图像进行直方图均衡化处理,并利用辅助圆进行中线定位和图像校正,定位得到ROI区域并进行均值二值化处理。随后,对二值化ROI图像进行字符分割,以字符的几何特征作为判断条件,从而完成了对缺陷字符的正确分割。之后,对单字符图像提取最大轮廓,利用其轮廓的最小外接圆进行字符的归一化与重定位。最后,对归一化的字符进行差分识别。通过采集4种芯片样本进行实验,结果表明,该方法能够实现芯片字符的准确分割,对于缺陷字符的分割准确率达90%;能够快速精准地识别芯片字符,单字符平均识别时间为4.6 ms,识别准确率达到99.4%。