基于图案检测和成交量的股票趋势分析

股票的趋势分析是时间序列研究分析的重要议题之一,通过对股票历史数据和K线图的分析,提出了一种检测具有跃空形态的蜡烛图片段的方法。首先,文中确定了跃空形态的定义以及跃空形态的检测算法,然后对检测得到的数据进行分类,找到股票价格的运动趋势。最后结合跃空形态所对应成交量的变化,进一步分析了股市的涨跌趋势。本文以上证A股的历史数据进行实证分析,结果表明该方法在股票趋势预测中是可行和有效的。

基于S7-200SMART的运动纸带图案检测系统

根据烟草卷接及成型设备的质量检测的工艺需求,开发基于S7-200 SMART的检测系统,依据现场调试过程,提出基于S7-200 SMART技术对策。系统现场运行稳定、可靠。

YOLOv4-tiny算法的融合模块在卷烟小包外观缺失检测中的应用

卷烟烟包外包装图案缺失检测是卷烟生产中的重要环节,目前常用的图案缺失检测方法普遍存在漏检率高、识别精度不够和速度慢等问题。因此本文提出了一种基于YOLOv4-tiny的烟包缺陷快速检测方法。该方法主要包括:(1)使用CSPDarknet53-tiny对图像特征进行提取。(2)通过添加多空间空洞卷积融合模块,获得丰富的上下文信息,增强感受野,从而提高模型的检测精度。(3)使用EIoU边框位置回归损失函数,提高烟盒图案识别预测框的精确率。本文方法与YOLOv4-tiny进行对比,实验结果表明,本文算法m AP值为97.35%,检测烟包外观的平均时间为17ms,能够满足卷烟小包外观检测对时间和精确率的要求。相较于YOLOv4-tiny在m AP上提升了1.34%,在AverageIoU上提升了3.68%,速度基本与YOLOv4-tiny持平,在保持快速检测的同时能够有效的提高精度。

尺度不变特征变换的图案匹配研究

纺织品的图案具有功能性和艺术性的特点,通过检测纺织品图案,有助于分析图案文化背景、传统和历史,并丰富图案设计类型。目前,传统图案匹配算法以区域匹配为主,通过衡量区域内相似度实现匹配,但此类算法匹配时间慢、精度低。由于图案特征点个数远少于像素点个数,故采用基于特征点的尺度不变特征变换算法实现匹配,首先在尺度空间检测特征点并生成描述子,而后通过欧氏距离实现目标图案匹配。实验结果表明,在几何图案匹配时,正确率和召回值为84%,卡通和民族图案匹配的正确率和召回值均为100%。由此说明该算法能够较好的适应各种待匹配纺织品图案尺度和角度的变化,并能够对结构复杂图案实现较好匹配,证明该算法在纺织品的图案匹配应用方面具有有效性和可行性。

A new method for specular curved surface defect inspection based on reflected pattern integrity

Defect inspection of specular curved surface is a challenging job. Taking steel balls for example, a new method based on reflected pattern integrity recognition is put forward. The specular steel ball surface will totally reflect the patterns when it is placed inside a dome-shaped light source, whose inner wall is modified by patterns with certain regular. Distortion or intermittence of reflected pattern will occur at the defective part, which indicates the pattern has lost its integrity. Based on the integrity analysis of reflected pattern images？ surface defects can be revealed. In this paper, a set of concentric circles are used as the pattern and an image processing algorithm is customized to extract the surface defects. Results show that the proposed method is effective for the specular curved surface defect inspection

基于深度学习的壮锦纹饰图案轻量化检测算法分析

阐述一种基于深度学习的轻量化检测算法,通过MobileNetV3网络替换YOLOv5骨干网络提出轻量化MV3-YOLOv5算法,应用到收集的数据集中。实验表明,MV3-YOLOv5算法检测精度达到90%。