基于Facet模型的边缘检测算法

使用CCD的影像测量系统进行精加工零件尺寸检测时,零件轮廓边缘的定位精度和处理速度是优先考虑的2个问题。该文介绍了一种基于Facet模型的综合梯度边缘检测算法,并针对其边缘定位精度低和执行效率低的问题,给出一种提高边缘定位精度的算法和加速计算Facet模型的算法。该改进算法使用动态阈值定位边缘以提高边缘定位精度,同时将Facet模型的二维卷积分解为2个一维卷积核,使算法的复杂度从()Oi2降低到O(2i)。通过对理想影像和实际工件影像的边缘检测,说明该算法在影像测量中可以有效抑制工件影像的噪声,获得较好的边界特征,且执行效率较高。

基于CNN公交客流检测系统的设计

针对公交客流数据获取现状不稳定、处理方法陈旧及无法实时调度等问题,本文结合图像处理和深度学习方法,设计了公交客流检测系统,重点对乘客头部的特征提取算法进行研究。该系统将工业摄像头分别置于车厢前端、中端及末端的上侧,以此获得车内乘客三通道图像,在Raspberry Pi树莓派中移植TensorFlow深度学习框架,由此搭建卷积神经网络CNN的模型,以此模型提取车厢内乘客头部特征,再采用综合梯度下降算法优化学习速率和三通道数据融合技术判断车内拥挤情况,从而保证模型的鲁棒性。实验结果表明:将识别结果输入SPP-Net网络结构中,上述算法识别准确率为87.23%,较传统卷积神经网络提高9.11%,收敛速率提高20.77%,其实时的拥挤度判断更具有实用性。