基于图像显著性分析与卷积神经网络的茶园害虫定位与识别

为实现在茶园环境中快速、准确地识别害虫目标,该文提出了一种基于卷积神经网络的深度学习模型来进行害虫定位和识别的方法。该文通过对整个图像进行颜色衰减加速运算,结合超像素区域之间的空间影响,计算各个超区域的显著性值,进而提供害虫目标的潜在区域,最终结合Grab Cut算法进行害虫目标的定位和分割。对于分割后的害虫目标,通过优化后的卷积神经网络进行表达和分类,并进一步对卷积神经网络的结构进行了约减。通过对23种茶园主要害虫的识别,试验结果表明,识别准确率在优化前后分别为0.915和0.881,优化后的模型内存需求和运行耗时分别降低至6 MB和0.7 ms,取得了较好的识别效果。

一种基于超像素聚类和图像显著性分析的芯片划痕检测算法

随着电子信息化的快速发展,芯片需求量不断攀升。芯片在研制、运输过程中不可避免地会产生一些表面缺陷,影响其后续使用的质量和可靠性。传统缺陷检测方法多以人工目检为主,存在精度差、效率低、人为主观因素强等缺陷,难以满足智能化、自动化检测需求。

基于眼动感知信息的彩色图像感兴趣区域提取算法

提出了一种由眼动感知信息引导区域生长的彩色图像感兴趣区域提取算法。在对被试眼动感知数据分析的基础上,算法首先提取感兴趣位置点,然后以这些点的邻域信息作为种子点,在特定的颜色空间中采用颜色同质准则提取出一系列初始感兴趣区域,最后将这些区域按照被试的"关注度"进行排序得到最终的感兴趣区域。算法在RGB、HSV、L*a*b等颜色空间中进行了测试。实验结果表明,提出的算法在RGB和HSV色彩空间中得到的感兴趣区域更加符合人的主观感知,具有一定的应用价值。