基于暗区连通域的定位孔识别方法

为了在普通扫描仪上实现自动化线拍系统,提出了一种基于暗区连通域的定位孔识别方法。介绍了暗区连通域的可分割性原理,该原理是定位孔连通域被准确分割的基础,也是定位孔能被正确识别的前提。该方法先依据该原理计算出连通域的分割阀值,然后对定位孔的形状及其相互位置关系进行了特征建模,利用模板匹配方法实现定位孔识别。对总共83张动画稿扫描图像进行定位孔识别测试,实验结果表明,定位孔识别正确率98.80%,对于1740万像素的动画稿图片,识别速度也能达到15.27ms/page。

煤矿巷道支护钢带锚孔智能识别与定位

煤矿井下掘进巷道使用钢带辅助锚杆支护时,如果支护钢带锚孔的定位不准确,钻头打在钢带或锚网上易造成设备损坏,存在较大安全隐患。针对上述问题,提出了一种基于改进YOLOv5s模型的煤矿巷道支护钢带锚孔智能识别与定位方法。①通过超分辨率重构技术(SR)增加锚孔图像的清晰度,防止因图像模糊而丢失图像中锚孔边缘高频信息。②由于锚孔较小且摄像头距锚孔有一定距离,在卷积神经网络中易丢失较小锚孔的特征信息,影响锚孔检测效果。在YOLOv5s模型的Backbone网络中添加坐标注意力机制(CA)模块,增加YOLOv5s网络中特征提取网络的网络层数,将目标物体的坐标信息融入到卷积网络中,可有效提取锚孔小目标特征信息,从而提高锚孔检测成功率。③利用嵌入CA模块的YOLOv5s网络训练经SR重构后的锚孔数据集,得到改进后的YOLOv5s模型,即SR−CA−YOLOv5s模型。④采用SR−CA−YOLOv5s模型结合双目摄像头对锚孔进行实时识别与定位。实验结果表明:相较于YOLOv5s模型,SR−CA−YOLOv5s模型的平均精度均值为96.8%,较YOLOv5s模型提高了3.1%;SR−CA−YOLOv5s模型有更好的检测能力,在一定程度上避免了漏检;虽然SR−CA−YOLOv5s模型的每秒填充图像的帧数(FPS)降低了18.5帧/s,但其FPS仍保持在166.7帧/s,并不影响模型的实时检测功能。实际测试结果表明:SR−CA−YOLOv5s模型能够在不同光照条件下准确检测出锚孔并获得锚孔相对于摄像头的三维坐标,坐标误差在6 mm以内,且FPS满足实时性要求。

基于SIFT算法的电动车充电孔双目视觉识别技术

基于双目视觉理论提出一种适用于不同光强、背景和任意形状充电插孔的高精度充电孔识别与定位方法。采用SIFT特征提取算法生成高斯差分金字塔进行尺度空间构建,应用机器学习最近邻搜索特征匹配算法获取匹配点映射集合,并配合半全局匹配方法进行视差计算得到高精度充电孔匹配和定位结果。通过试验验证了所提算法的有效性,得到了较为理想的匹配与测距结果。