基于差分盒维数的井下电视图像裂缝分割识别方法研究

利用井下电视图像对岩心完整性进行识别、分割及裂缝宽度提取是解释岩性、裂隙的关键。目前,井下电视成像结果主要是通过人工方法进行识别解释,工作量大且易受主观因素影响。基于此,针对井下电视图像分割识别,提出从分形理论出发,采用差分盒维数(Differential Box-counting,DBC)算法来提取井下电视图像的岩性变化,以及裂缝、裂隙等岩层纹理特征,进一步通过基于最佳聚类数选择的K-均值聚类算法对井下电视图像进行纹理分割,实现对井下电视图像的岩层自动化分区。结果表明:结合Canny边缘检测算法提取裂缝宽度信息,裂缝识别准确率达到94.2%,实现了岩性的准确分层、裂缝的精细识别。与2D Log-Gabor算法相比,差分盒维数算法对井下电视图像分割效果好、速度快。

电阻率测井成像图井壁裂缝智能识别与分割方法

目前测井图像裂缝识别、处理过程工作量巨大,人工识别主观性强、稳定性差,为此,提出将计算机视觉技术和深度学习框架引入测井成像图分析解读领域,构建新型裂缝形态智能识别网络模型,实现了电阻率测井成像图中井壁裂缝区域的智能识别与分割标注。首先,通过多尺度空洞卷积结合注意力机制提取电阻率测井井壁成像图中浅层和深层特征,并将深、浅层特征进行多尺度融合,形成更具表征能力的新特征。然后,根据该特征进行像素点二分类,完成每个像素点的前景、背景类型识别,若干个前景分类的像素点对应裂缝区域的轮廓。多尺度特征融合模型从微观角度充分保留了裂缝区域图像轮廓细节,裂缝区域关联像素点识别分类准确率接近80%。最后,进一步借鉴人眼视觉相似度评价体系,从宏观角度设计裂缝轮廓智能识别性能评价算法。评价结果表明,当视觉相似度感受评级为Ⅱ级时,训练集和测试集图像中与人工识别结果基本一致的裂缝区域分别达到81.3%和80.0%,说明所提方法可替代人工解释完成裂缝的识别和标注工作,能大幅减少图像分析工作量,细致勾勒出裂缝区域轮廓线。同时,有利于及时、迅速地判断井筒、井壁稳定性,为后续裂缝区域的智能定量评价、计算提供技术支撑。

基于PointNet++的煤场点云分割与识别方法

为了实现煤场环境下的实时监控与安全监测,对煤场环境应用了一种基于PointNet++的目标分割与识别的方法。利用二维激光扫描仪做直线运动的装置采集三维点云数据,通过设置目标安全距离,采用基于欧氏距离的点云分割算法对原始点云进行分割,调用训练好的PointNet++网络对分割后的目标点云进行识别,对识别结果进行判断,并分析目标物体的工作状态是否安全。实验结果表明:煤场环境典型物体点云的分割精确率与召回率均大于90%,目标识别准确率达到98%,验证了基于PointNet++点云分割与识别方法的可行性。

基于LeNet-5的试卷手写分数无分割识别方法

研究了LeNet-5网络识别试卷计分栏手写分数的无分割识别算法。先将高拍仪获取的试卷计分栏图像运用ROI区域选择和连通域处理等图像处理算法将其中手写的各分数截取出来,形成单独的图像,然后将图像归一化,并将格式转化为csv文件,后把这些csv数据输入训练好的LeNet-5网络实现识别。在训练LeNet-5网络时,不断修改该网络的batch、learning rate、epoch和权重数量等参数,提高识别效果。对于无分割字符识别,卷积神经网络需进行100分类(即0-99,不考虑100分的试卷),将全连接层神经元数量设置为100。为了提高试卷识别分数效果,将试卷计分栏各题号的理论总分也输入卷积神经网络,并将该数据作为误分类的一个筛选,提高了分类准确性。采用以上系列方法,对500份学生试卷的手写分数识别,正确率达93.20%。将以上方法应用于试卷分数统计系统,可以大幅度提高试卷分数的统计速度并降低教师的劳动强度。

填装材料CT图像中脱粘缺陷识别与深度测量

脱粘缺陷是影响填装材料物理安全性能的重要指标,计算机层析成像(CT)是进行脱粘缺陷检测的有效方法。但填装材料脱粘缺陷紧贴外轮廓、面积小,对比度低,分割时易受其他信息干扰,传统活动轮廓模型难以适用。本研究提出了一种基于SoftMax和正则项的Chan-Vese (SRCV)模型用于填装材料脱粘缺陷分割,系统比较了SRCV模型与多种活动轮廓模型对脱粘缺陷分割效果的差异,利用不同图片分割效果揭示了SRCV模型的抗干扰能力和兼顾全局与局部信息的能力,利用分割曲线的欧氏距离实现脱粘深度测量。研究结果表明,SRCV模型对填装材料脱粘缺陷分割更贴近脱粘边缘,分割曲线更光滑,准确度达99.56%,Dice系数为99.82%,脱粘深度误差不超过6%,特别适用于有大量干扰信息的微小脱粘缺陷的分割,较其他活动轮廓模型具有明显的优势。

基于Multitask⁃YOLO网络的卫星帆板ISAR图像快速分割

随着空间技术的飞速发展,空间态势感知能力需求不断增加。与传统光学传感器相比,逆合成孔径雷达(Inverse synthetic aperture radar,ISAR)具有全天候、远距离高分辨率成像的能力,且成像不受光照条件的影响。此外,空间态势感知系统需要对周围航天器进行准确的评估,因此对空间目标部件识别能力的需求日益迫切。本文提出了一种基于YOLOv5结构的Multitask⁃YOLO网络,用于卫星ISAR图像中卫星帆板的识别和分割。首先,本文添加了分割解耦头来实现网络的分割功能。然后用空间金字塔池快速算法(Spatial pyramid pooling fast,SPPF)和距离交并比算法(Distance intersection over union,DIoU)代替原有结构,避免图像失真,加快收敛速度。通过在通道中引入注意机制,提高了分割和识别的准确性。最后使用模拟卫星的ISAR图像进行实验。结果表明,所提出的Multitask⁃YOLO网络高效、准确地实现了部件的识别和分割。与其他的识别和分割网络相比,该网络的平均精度(mean Average precision,mAP)和平均交并比(mean Intersection over union,mIoU)提高了约5%。此外,该网络的运行速度高达16.4 GFLOP,优于传统的多任务网络的性能。

改进Mask R-CNN网络在医学图像识别与分割中的应用

针对现有医学图像处理方法在人体复杂结构组织器官分割中的不足,提出复用低层特征信息的Mask R-CNN网络。该网络可对特定组织器官识别时同时进行分割,为了提高包含较多细节信息的低层特征层的利用率,将低层的特征信息添加到高层的特征中,使低层与高层特性优劣互补,将原始图像首次长宽压缩两次后的特征层定义为C1层,而后分别通过复用C1层和复用依次卷积的C1层这两种方法实现。并将主干网络进行了精简,以加快网络的训练速度,降低识别和分割的时间。以下颌骨作为应用对象,自建包含1064张下颌骨CT图片的数据集,按9∶1的比例划分为训练集和验证集进行训练,使得复用依次卷积C1层的Mask R-CNN网络的训练损失降至2.8%,验证损失降至6.6%,表明该网络在下颌骨的识别和分割上具有很高的准确率。

基于双能γ射线的煤、矸石区域分割识别方法

基于双能量γ射线透射方式对煤、矸石实施在线分选，阐述了一种将理论模型与几何特性相结合的区域分割识别方法．它具有识别范围宽、能有效避免统计涨落误差的影响等特点．对最大区域分割条件、分割效率及特征向量的作用问题也进行了讨论．

基于边界脊线识别的群养猪黏连图像分割方法

猪体图像的前景分割和黏连猪体的分离是实现群养猪数量自动盘点和猪只个体行为智能识别的关键。为实现群养猪黏连图像的自动分割,该文采用决策树分割算法提取视频图像帧的猪体前景区域,计算各连通区域的复杂度,根据复杂度确定黏连猪体区域,利用标记符控制的分水岭分割算法处理黏连猪体图像,检测待选的边界脊线,通过检验待选边界脊线的分割效果和形状特征(包括线性度和Harris 拐点数目),识别出猪体黏连分割线,实现黏连猪体的分离。结果表明,决策树分割算法(decision-tree-based segmentation model,DTSM)能够有效地去除复杂背景,前景分割效果良好。黏连猪体分离结果显示,基于边界脊线识别的黏连猪体分离准确率达到了89.4%,并较好地保留了猪体轮廓。通过计算分割后猪体连通区域的中心点,并对中心点进行德洛内剖分,初步实现了猪只的定位和栏内分布的可视化。6min的监控视频处理结果显示,该文方法各帧图像的盘点平均误差为0.58,盘点准确率为98.33%,能够正确统计出栏内猪只数量。该研究可为实现基于监控视频的群养猪自动盘点和个体行为识别提供新的技术手段。

基于表面凹凸度的未知物体分割识别方法

为了使机器人在人们的生活中更加普及和大众化,并从一定程度上优化机器人对周围环境的认知功能,设计了一种利用目标物体表面凹凸度对该物体进行分割识别的方法.该方法对目标物体局部表面凹凸性的两类判定方法展开了系统性的探讨和分析,将连续局部表面凹凸度对布尔型判定进行替换,利用表面凹凸度和法方向信息这两个要素设计了一类全新的分割权重运算方法,进而为输入场景构造相应的无向带权图,在这之后结合快速图分割算法获得相应的目标物体.实验结果表明,本文方法与基于凹凸性的判定方式相比,基于凹凸度的量化衡量在针对测量噪声和计算误差中具有的鲁棒性更好,实际分割结果比单一结合了法方向的实验结果好,更符合实践需求.

一种机器人导航中数字路标的分割和识别方法

基于路标的移动机器人视觉导航的基础上,提出了一种基于边缘点数量统计和FCM(Fuzzy C-means)聚类的路标图像分割方法。在对分割后图像进行维纳滤波,二值化等预处理的基础上,完成了数字路标的识别。通过实验证明,该算法能实时地完成数字路标的分割和识别,有效地应用于移动机器人的视觉导航。

一种基于CNN与梯度分水岭算法的卫星图像区域分割识别方法

卫星图像的准确分割与识别在军事、环境、民生方面都有着重要的研究意义与价值。传统的区域分割算法如分水岭算法、k-means算法等在错综复杂的卫星图像中表现不佳,且不能同时给出区域的类别。为解决上述问题,本文提出一种结合CNN与分水岭算法的图像区域分割方法。该方法首先使用人工标记的区域图像训练CNN(卷积神经网络)分类器,且使其具有旋转不变性及平移不变性,从而能适应不同状态下的图像分类。然后用分水岭算法对图像进行区域粗粒度的聚类,针对分割出的每一个候选区域,使用CNN分类器对其迭代打分,最后得到分割区域并给出识别结果。实验结果表明,该方法较传统方法有更好效果。

基于机器视觉的装配动作自动分割与识别

在对装配作业人员进行动作分析的过程中,动作的识别和记录一般通过手工操作完成,这种方法不仅工作量大,而且效率低。为解决该问题,提出了一种新的基于机器视觉的装配动作自动分割与识别方法。首先利用基于内容的动态关键帧提取技术提取视频流中的关键帧,实现动作的自动分割;然后提取感兴趣区域的尺度不变局部特征点,据此得出关键帧的特征向量;最后,基于支持向量机构建特征向量分类器对动作进行分类。装配线上样本视频的实验结果表明,所提方法达到了96%的正确识别率。

一种优化的机器人室内场景定量分割识别方法

为了改善机器人认知环境的能力,基于高效、简单、实用等设计目标,提出了一种通过物体表面凹凸度分割识别未知物体的方案。该方案以连续局部表面凹凸度取代布尔型判定,在结合表面凹凸度和法方向信息的基础上,提出一种新型的分割权重计算方法;该权重可以对需要分割的物体与场景交界、不能分割物体表面边缘进行标识。在此基础上为输入场景构造无向带权图,并通过快速图分割算法获取未知物体。经实验发现:相对于基于凹凸性的判定,基于凹凸度的量化衡量在应对观测噪声和估计误差上的鲁棒性更好。

基于数字人图像分割和识别的新框架

目的:提供一种高层知识引导分割和底层处理向知识归纳相结合的自动分割识别框架,并将该方法有效应用于彩色图像的数字化可视人体数据集(Chinese Visible Human,CVH)内部结构的自动分割和识别中。方法:首先利用分类标签在CVH2图像中提取脑干部分的图像,用Otsu获取阈值进行图像增强,将脑干轮廓作为分割的初始化轮廓,运用Level Set方法来实现精细化的分割;利用周长和质心位置建立联合判别函数,并对分割结果进行分类识别。结果:该算法准确对CVH2数据集脑干内黑质、中脑水管进行自动分割和识别,通过Amira软件三维重建分割结果获得较好的重建效果,并与手动分割结果保持了较好的一致性。结论:该框架能够实现数字人图像自动的多目标精细分割和识别,为知识引导的自动图像分割和识别提供了新的方法。

数字同轴全息颗粒场检测中的颗粒分割识别与独立聚焦

针对数字同轴全息颗粒场检测中不同层面颗粒的自动聚焦问题,通过分析颗粒场数字同轴全息记录与再现的特点,提出一种颗粒分割识别与独立聚焦方法.给出了对单个颗粒进行聚焦判断的独立聚焦判据函数、以及实现颗粒分割识别和独立聚焦的方法.通过单层单个、两层两个及多层多个颗粒场的实验,验证了所提出方法的正确性.

基于LabVIEW和Vision Assistant的车牌识别系统设计

文章提出了一种基于LabVIEW和Vision Assistant的车牌识别方案。系统使用Vision Assistant的颜色阈值、高级形态学及光学字符识别等函数,实现了对车牌图像的预处理和车牌区域定位以及车牌字符分割、字符训练和识别,使用LabVIEW程序完成车牌的显示。使用数百张车牌图像对该系统进行验证,结果证实该方案是可行的,系统是可靠的,可以快速、准确定位和识别车牌。

基于Mask R-CNN的铁谱磨粒智能分割与识别

针对铁谱图像因背景复杂、尺寸分布广、颗粒重叠等导致难以精确分割与识别的问题,以相似度高的疲劳剥块、严重滑动磨粒、层状磨粒共3种异常磨粒作为研究对象,提出基于深度神经网络模型Mask R-CNN的对多目标铁谱磨粒进行智能分割与识别的方法,并对特征提取层分别选用深度不同的残差网络ResNet50和ResNet101进行对比试验。实验结果表明,基于迁移学习方法的Mask R-CNN+ResNet101模型能够在复杂背景下对多目标、多类型、多尺寸的相似磨粒进行有效分割与识别,测试集的平均精度高达76.2%,模型具有较好的泛化能力。

复杂背景下基于肤色检测的动态手势分割与识别

在类肤色的复杂背景下,基于肤色检测的动态手势识别会因肤色干扰导致识别效率较低。提出了一种基于YCbCr颜色空间的改进三帧差分法的动态手势识别方法。首先利用改进的三帧差分法对动态手势进行分割,有效去除类肤色背景;然后根据人体肤色在YCbCr颜色空间中的聚类效果,采用基于椭圆模型的肤色检测方法有效去除非肤色背景,分割出手势区域。通过双特征提取,有效去除大范围的肤色背景,最终得到完整的手势;最后利用BP神经网络较强的自学习能力,对分割的动态手势进行检测识别。实验结果表明,此方法在应对环境变化时具有较好的实时性和抗干扰能力,拥有较高的识别率。

自动化分割识别与数据校验方法在核电电子文件归档审查中的应用研究

为有效规范管控海量设计文件的质量,中广核开发了过程管理系统,对文件全生命周期通过系统进行管控,同时将文件质量控制提前到文件生成阶段,实现核电文档管理一体化、电子化和自动化,该系统建立起全新的项目文档前端控制模式,确保项目文档有效受控与准确传递。但该系统的“移交归档”电子文件审查环节,即核查结构化文档元数据与电子文件实体一致性,仍需投入大量人力。为解决该问题,笔者将人工智能(AI)技术引入系统,并依托系统进行二次开发,成功解决这一难题。本文将从企业知识管理、软件及文档管理信息化的交叉技术领域出发,阐述人工智能(AI)技术如何在文档管理领域创新应用,提高文档流转的规范性与效率。