基于机器视觉的物流包装条码特征快速提取与识别方法研究

随着技术的进步,特别是机器视觉技术的迅猛发展,条码的读取与识别已经不再依赖于传统的条码扫描器。机器视觉为条码的快速、准确和自动化读取提供了新的技术路径。然而,复杂的物流环境、不同的包装材料以及各种环境因素(如光线、遮挡)会影响机器视觉系统的性能。文章对基于机器视觉的物流包装条码特征快速提取与识别方法展开深入研究,以期为实际物流场景中的条码识别提供一种更为高效和准确的技术手段。

基于CNN的高速铁路侵限异物特征快速提取算法

高速铁路异物侵限检测系统用来检测是否有异物侵入高速铁路安全限界。为增加系统的可靠性,提出了一种基于卷积神经网络(CNN)的特征快速提取算法。针对特征计算速度缓慢的问题,提出简化的全连接网络结构;针对准确率因简化网络结构而下降的问题,提出将卷积层的卷积核进行预先训练;最后为防止因全连接而导致的对称性特征提取,提出加入稀疏性参数的快速特征提取算法。改进后的卷积神经网络,在保证准确率的基础上加快了计算速度,同时满足了实时性和高准确率的要求。实验表明处理单幅图像的速度为0.15 s,准确率为99.5%。

基于点线特征融合的视觉惯性里程计方法研究

相机和惯性测量单元组成的基于图像点特征的视觉惯性里程计(Visual Inertial Odometry,VIO),广泛应用于移动机器人定位领域,但会面临点特征退化的问题,使其定位精度受到很大影响。因此,本文提出一种基于点线特征融合的VIO方法,并在EuRoC数据集上进行实验。结果表明:该方法不仅定位精度最优,而且线特征提取的时间较低。

时态文本数据流特征流行趋势模型及算法

当今在电商和社交等平台上每天会产生大量的文本数据流。快速提取文本数据流的特征并将其用于发现一些事物的趋势变化来指导企业运营十分重要,比如服装企业必须尽可能快速而又准确地感知流行信息,服装特征的流行趋势对设计生产与经营起着至关重要的作用。以线上商品的文本数据流为研究对象,结合线上的销售文本实时数据流,定义了商品的时态文本数据流特征趋势模型,然后提出了一种文本数据流特征趋势发现的实时挖掘算法。将该算法应用到服装销售的文本描述以提取流行特征应用,可以获得有效的服装流行趋势,为企业制定生产计划、选择营销策略提供了决策支持。使用电商平台的真实销售数据进行实验,结果证明:该算法提取流行特征的准确率较高、速度较快,具有重要的理论与实际意义。

基于快速特征点提取和描述算法与色调、饱和度和明度的图像特征点匹配算法

提出了一种基于快速特征点提取和描述(ORB)算法与色调、饱和度和明度(HSV)的图像特征点匹配算法,并进行了实验研究。首先利用双边滤波和均值滤波结合对图像进行预处理;然后使用ORB算法进行特征点提取;接着利用K维二叉树(K-D Tree)算法与汉明距离进行特征点粗匹配;再利用图像的HSV信息对匹配特征点对进行二次筛选。实验结果表明,在图像进行预处理阶段,采用方差、Vollath、信息熵的加权平均作为评价指标,与原图、直方图均衡化、双边滤波结果相比,双边滤波和均值滤波结合得到的图像指标值最佳;在特征点匹配和图像拼接阶段,利用HSV信息筛选后特征点匹配正确率提高了12.60个百分点,由此得到的图像拼接结果质量更好,其自然图像质量评价(NIQE)指数值更小。

复杂场景下实时人脸口罩检测研究

针对AIZOO开源人脸口罩检测算法FaceMaskDetection存在较严重的人脸口罩分类精度低的缺陷,本文设计了高精度轻量级人脸口罩分类模型,提出快速特征提取模块FastBlock和基于多层级特征融合的轻量级人脸口罩分类网络(Light MaskNet)。FastBlock减少深度可分离(depthwise,DW)卷积和1×1卷积中间张量的通道数量,进一步降低计算成本,从而提高了特征提取速度。不同层级之间的特征融合可以增大模型的广度,提高模型的鲁棒性。实验结果表明,该人脸口罩分类模型精度可达98.852%,中央处理器(central processing unit,CPU)推理时间仅为9.8 ms,图形处理器(graphics processing unit,GPU)可实现亚毫秒级运算,仅牺牲少量计算资源就能弥补FaceMaskDetection精度低的缺陷,可很好地满足计算资源有限的边缘设备、移动端等的应用需求。

基于四叉树的SIFT与K-D树融合的图像匹配研究

为了解决SIFT算法在立体视觉中耗时长、误匹配度高以及提取的特征点扎堆的问题,提出一种基于四叉树的SIFT与K-D树融合的快速特征匹配算法。该方法采用一种结合了自适应阈值的快速特征点提取算法提取关键点,由于所提取的关键点具有扎堆现象,故提出一种四叉树结构并将其应用到图像匹配中。利用改进的K-D树与随机一致性算法进行关键点的粗匹配与提纯。实验证明,该改进算法的平均匹配速率相比SIFT算法提高了3.35倍,匹配正确率由86.18%提高到97.53%,同时该改进算法比SIFT算法在视角、模糊、光照以及尺度变化方面更具有优越性,所以该算法能够满足高匹配率、实时性好且特征点均匀化的要求。

基于单目相机与K均值聚类分割的船舶航行环境地图深度构建

为降低视觉设备感知航行环境时,水面光照反射对船舶位姿估计和环境地图重构的影响,在HSV(hue,saturation,value)颜色空间下,采用K均值聚类算法对近岸航行环境图像进行聚类分割处理。改进快速特征点提取和描述算法(oriented FAST and rotated BRIEF,ORB)来提高即时定位与地图构建(simultaneous localization and mapping,SLAM)效率,缩短特征点匹配时间,改善对外界环境的感知效果并提升船舶自身位姿估计精度。采用2020年南宁海事局执法船进港和靠泊期间由单目相机拍摄的视频数据进行实例验证。结果表明,提出的算法比传统SLAM算法的运行耗时更少,与传统定位设备输出轨迹的偏差较小,可为船舶全面立体感知海上航行环境提供研究基础。

基于紧耦合的视觉惯性定位方法

惯性测量单元(IMU)受自身温度、零偏、振动等因素干扰,积分时位姿容易发散,并且机器人快速移动时,单目视觉定位精度较差,为此研究了一种基于紧耦合的视觉惯性即时定位与地图构建(SLAM)方法.首先研究了视觉里程计(VO)定位问题,为减少特征点的误匹配,采用基于快速特征点提取和描述的算法(ORB)特征点的提取方法.然后构建IMU的数学模型,使用中值法得到运动模型的离散积分.最后将单目视觉姿态与IMU轨迹对齐,采用基于滑动窗口的非线性优化得到机器人运动的最优状态估计.通过构建仿真场景以及与单目ORB-SLAM算法对比两个实验进行验证,结果表明,该方法优于单独使用VO,定位精度控制在0.4 m左右,相比于传统跟踪模型提高30%.

The research on high speed underwater target recognition based on fuzzy logic inference

The underwater target recognition is a key technology in acoustic confrontation and underwater defence. In this article, a recognition system based on fuzzy logic inference (FLI) is set up. This system is mainly composed of three parts: the fuzzy input module, the fuzzy logic inference module with a set of inference rules and the de-fuzzy output module. The inference result shows the recognition system is effective in most conditions.