基于OpenCV2.4.9和Visual Studio2013的人脸自动识别程序

随着现代科学技术发展,人脸识别系统应运而生,逐渐成为现代智能化发展的重要表现方法。在研究人脸识别系统过程中,因为受到全新技术和算法的影响,使得人脸识别系统的研究工作面临重重困难。所以,本文详细介绍了一种人脸自动识别程序的设计思路,基于OpenCV2.4.9和Visual Studio2013软件收集一定数量的人脸数据,通过深度学习的方式对人脸识别模型进行训练,通过训练好的模型来进行人脸的识别。通过本文的研究,旨在为当前人脸识别研究提供借鉴。

基于BP神经网络和树莓派的自主驾驶车设计

随着传感器技术和人工智能技术的快速发展,无人驾驶车研究已成为当前机器人领域的研究热点.无人驾驶车利用树莓派作为主控核心设计,以CMOS摄像头作为道路和红绿灯图像采集模块,以直流减速电机和L298N芯片作为驱动模块,根据道路情况利用BP神经网络算法实现车道线的识别,并通过AdaBoost级联分类器对道路红绿灯进行判别,从而实现道路和红绿灯的自动识别和自主驾驶.

基于树莓派和OpenCV视觉技术的自动捡网球机器人

网球场地的网球收集依靠人力处理,耗时长、效率不高。针对此问题,设计了一种基于OpenCV视觉技术的自动捡网球机器人。该机器人配置树莓派4B主控板、STM32C8T6单片机、树莓派USB摄像头、L298N电机驱动板、37GB3530直流电机及超声波传感器。利用OpenCV视觉识别技术和树莓派Linux系统相结合以及场景内的网球识别和挤压滚筒式的拾捡机械结构功能特点,对网球进行拾取和储存,以满足对球场内的网球进行捡拾和搬运的需求。经过对相关机械结构设计和软件实现结果进行检验,所设计的自动捡网球机器人能有效识别地面的网球,并对网球场中的网球进行收集与储存,执行效果良好。该智能自动捡网球机器人可应用于网球场地,以提高拾捡效率、节约时间、节省人力资源。

基于数理统计特征的人机交互图像手势识别

在人机交互领域中手势识别的应用前景十分广阔,在诸多领域中均为人类带来了无限便利。基于数理统计特征设计一种人机交互图像手势识别方法,实现了基于数理统计特征的手势信息获取与基于识别结果的人机交互。对人机交互图像实施图像灰度化处理、二值化处理、平滑处理、边缘检测和轮廓提取处理等一系列预处理。通过OpenCV提取二值化人机交互图七个具有尺度不变性、旋转不变性、平移不变性的Hu矩,前四个矩描述手势的图像椭圆、主轴方向角、面积、旋转半径这四个物理量,后三个矩描述的是图像对称性、重心、中心距。基于Darknet-19改进YOLO-V2网络的骨干网络,使模型能够预测的anchor box数量达到16×16×N个。基于改进YOLO-V2网络设计手势识别模型,模型的输入为人机交互图、提取的手势轮廓与Hu矩,实现交互图像手势识别。测试结果表明,设计方法在室内和室外的手势识别准确率均较高,通过该方法的手势识别结果能够实现人机交互。

基于OpenCV和YOLOv5的车道线检测与识别

为更加快速、准确识别汽车行驶区域并区分车道,实现无人驾驶,提出一种结合视觉OpenCV算法和改进YOLOv5算法的目标检测跟踪模型进行车道线检测的方法。在图像预处理阶段,首先读取视频图像,把每一帧RGB图像转为灰度图,通过Canny算子对图像的边缘轮廓进行提取,然后绘制车道线的掩码区域,并与边缘检测结合,采用ROI技术提取感兴趣区域,最后进行概率霍夫变换和最小二乘拟合,将得到的直线绘制到原图像中,最终对每一帧处理后的图像进行输出。目标识别模块采用卷积神经网络(convolutional neural network,CNN)深度学习方法及YOLOv5算法进行目标识别处理。实验结果表明,所提检测算法能够实现准确的车道线检测,实时性和准确性比传统算法高很多,且该方法具有良好的鲁棒性。

混合煤矸放落态势特征研究

传统的基于图像检测技术的放顶煤过程中煤流动态特性研究多侧重于某一特定阶段的图像分析,未结合全阶段的动态特性进行综合分析;现有研究较少将放顶煤过程中上覆岩层的松散区变化与放煤过程中的煤矸分离和煤流特性相结合,缺乏对放煤过程的全局性系统分析。针对上述问题,对放顶煤过程中的煤流动态特性、煤矸分离效果及上覆岩层松散区凹陷变化进行了系统研究。首先,提出了一种基于双光流网络的放顶煤过程动态分析方法。实验结果表明:不同放煤方案下,放煤速度不随放煤形式和规律的变化而改变,平均检测准确率随着放煤口数量的增多而提高,尤其在不同放煤步距阶段呈明显线性增长;顶煤放出率与平均检测准确率呈正相关关系,验证了该方法在放顶煤过程监测中的有效性。其次,利用OpenCV技术对上覆岩层松散区凹陷面积进行实验分析。结果表明,初始放煤阶段松散区凹陷面积急剧增长,随后随时间推移逐渐趋于稳定;通过凹陷面积的动态变化趋势,可有效判断顶煤的放出过程,实现透明化放煤监测。最后,结合称重实验数据,分析了放煤量、放出率与含矸率之间的关系。结果表明,初始放煤阶段纯煤放出量最大,周期放煤阶段纯煤放出量趋于稳定,含矸率则随着放煤口数量的增多而减少。该结果进一步揭示了放煤方式对煤矸分离和顶煤放出率的影响。

利用机器视觉方法研究双摆运动规律

利用机器视觉对双摆运动状态进行无接触测量研究了双摆的运动规律,尤其是混沌运动规律.研究表明:随着初始摆角增大,系统总能增加,双摆依次从周期性运动到准周期性运动最后到混沌运动转变,临界摆角为108°.双摆的能量是决定其能否出现混沌运动的关键因素.双摆系统结构简单、现象直观、成本低廉,而机器视觉方法可以实现无接触测量,避免了接触式测量对系统运动状态的干扰.该装置适用于大学物理实验课程中演示和研究混沌运动的规律.

《数字图像处理》理实一体教材编写方法探讨

针对当前数字图像处理教材存在的诸多问题,提出了一种简化理论教学、突出实践教学的教材编写方法,该法从教学内容、语言组织和实践设计等方面提出了多项革新举措,促使教材达到内容简练、明了易学的教学实效。遥感科学与技术专业实践教学表明,这种教材建立了丰富的实践教学资源,降低了知识学习难度,达到了短平快入门学习目标,大幅提高课程教学质量,为探索地方院校数字图像处理教材编写提供了一种可借鉴方法。

工业视觉技术融合下的分拣机器人目标识别与定位系统研究

伴随着工业视觉技术在分拣机器人领域中的应用日益广泛,为实现目标物体的准确识别与定位提供了重要的技术支撑。本文描述了传统分拣过程中存在的问题,使用STM32 F407VET6作为数据感知层主芯片,结合Opencv图像预处理技术开发了一款分拣机器人目标识别与定位系统,采用Canny边缘检测法明确了机器人自动定位步骤。实验检测结果表明,该系统能够快速准确地识别目标物体,实现精准自动定位,提高分拣过程的生产效率,为智能制造和自动化生产提供一定的技术支持。

遥感专业《数字图像处理》教材建设有效途径分析

数字图像处理教材存在理多实少、难点解析不足等种种问题。针对这些问题,提出一种混合式立体改进方法,从内容、形式和实践方面提出了多项举措,以实现够用学会、讲练透彻的学习目标。通过分析遥感专业课程内容,提炼出相关知识点进行教材编写,得到理实一体的简明化教材。教学实践证明,这种教材建设方法丰富了教学资源,有利于学生对重难点知识理解,大幅提高学习效率和质量,不失为一种有效的逆向教材建设创新方法。

基于光学法的水下爆炸冲击波流场压强测量与分析

针对水下爆炸流场多参数测量,发展了基于OpenCV图像处理技术的光学法,对水下爆炸实验中冲击波超压进行测量并与理论和数值结果作对比。发现基于OpenCV图像处理技术的光学法能够较好地实现冲击波阵面的捕获与超压测量并实现冲击波传播过程、爆轰产物发展等流场信息的获取,可为光学法在水下爆炸实验中的应用提供借鉴参考。

基于OpenCV的人脸黑头识别算法

目前越来越多的人受到人脸黑头问题的困扰,为了更加直观地看到人脸黑头的情况,基于OpenCV提出了一种智能识别黑头的算法,通过黑头仪设备获取到人脸照片,先通过灰度化,去噪滤波,图像增强算法对图像进行预处理改善图像质量,再进行自适应阈值二值化去除图像背景,获取到疑似黑头的特征,再根据黑头预设特征对疑似目标进行筛选得到最终识别为黑头的结果,并进行标记和计数。将算法移植到黑头仪设备中,经过测试,算法识别准确率达到85.55%。

基于OpenCV图像处理的支撑剂颗粒圆度和球度检测方法

为提升检测效率和检测精度,提出了基于OpenCV图像处理的支撑剂颗粒圆度和球度检测方法。该方法使用OpenCV算法,综合考虑图像的背景颜色和图像中颗粒的多样性等各种因素的影响,优化处理算法,提高检测有效性和图像处理效率。在检测过程中,新出现的影响因素还可对算法进行优化,具有很好的可调节性。将检测数据与标准模板相比较,结果证明该检测方法具有可行性和有效性,为支撑剂颗粒的圆度和球度检测提供了新路径。

基于OpenCV的双波长光纤导引光在高精度装调上的应用

为了保证双波长光纤导引光在高精度装调设备中的成功应用,设计了一种基于OpenCV(Open Source Computer Vision Library)的图像处理算法。采用主动调整曝光模式对CCD(Charge-coupled Device)相机进行主动调焦,利用OpenCV分析典型图像处理算法,调整算法参数,通过最小二乘法拟合图像,绘制中心坐标,最终实现输出理想的图像。经检测分析,图像校准的精度平均值为4.54μrad。该算法能够捕捉、识别并实时跟踪目标,将计算机识别的中心坐标打印到输出的图像上,提高了双波长光纤导引光对装调设备的装调精度。

基于计算机视觉技术的连翘果实性状变化研究

目的:探究连翘果实发育与性状之间的关系,建立基于计算机视觉技术的连翘“辨状论质”方法。方法:采用Python库LabelMe对连翘显微横切图片进行标注,获取连翘果实显微横切各部位的面积占比。采用自制软件Lq_measure对连翘进行长度、宽度和单果面积的测量,同时称取连翘果皮(含隔膜)和种子的质量,并制作数据集。结果:连翘果实性状差异大,证实了计算机视觉技术筛选优质连翘具有工业化应用的前景,建立了一套以Lq_measure软件为基础的连翘性状研究实验操作流程,为连翘性状数据库的建立提供了基本方法,为基于连翘果型的中药“辨状论质”理论研究提供可靠技术支撑。结论:连翘种心性状可用于鉴别连翘的果实成熟度,连翘长宽比系数和连翘果皮重占比相关性为0.74,为以后的连翘质量控制提供了理论依据。

基于OpenCV图像处理软件的设计

文中提出了一种基于OpenCV的图像处理软件设计方案。软件通过使用OpenCV提供的图像处理算法,实现了图像的形态学运算、去噪、特征提取等一系列功能。同时,软件还提供了用户友好的图形界面,方便用户对图像进行直观地处理和操作。实验结果表明,软件具有较好的图像处理效果和较高的实用性,可以运用于科学研究及工业应用领域。

养殖水体中校色卡识别与色彩变化分析

水下环境中颜色变化是一种常见现象,研究其变化特征可应用于水下图像处理和水产养殖生物监测等。利用校色卡分析不同水深颜色变化的特点,实验中首先对图像进行大小归一化及颜色空间转换;其次用图像与标准色块对比计算差值图像;然后进行轮廓提取并筛选出可能的色块加入候选列表,通过候选列表中的色块计算出原图色卡的位置;再通过仿射变换将原图色卡提取出来;最后,通过比较不同水深图像中色卡色块的颜色值,分析水下环境中的颜色变化。实验结果表明,该方法能够有效地检测和分析水下环境中的色卡,在0~3 m的浅水域中检测准确率达到100%,在3~10 m的中层水域中检测准确率达到93%,在大于10 m背景较为复杂深水域中提取准确率达到73.7%,在占用极小内存空间的情况下达到了较高的识别准确率;通过水下颜色分析得出:随着水深的增加,红色光的吸收和衰减最明显,蓝色光的吸收和衰减也比较多,而绿色光的影响较小。研究内容为利用水下摄影研究水产养殖生物行为提供了参考方法。

基于深度学习的马铃薯花粉活力快速检测

【目的】传统马铃薯花粉活力检测方法依靠肉眼计数,存在效率低、准确性差等问题。本研究基于PaddlePaddle深度学习框架,通过比较不同模型,提出一种快速检测花粉活力的方法。【方法】首先收集花粉,使用2,3,5-氯化三苯基四氮唑(2,3,5-triphenyltetrazolium chloride,TTC)染色,通过显微镜拍照获取图像;利用Photoshop(PS)进行数据标注,分别标注有活力花粉和所有花粉,并将标签图转为单通道图像;选用SegFormer、U-Net和DeepLabV3模型进行训练,分割有活力花粉和所有花粉;最后使用Python OpenCV程序计数,计算花粉活力。【结果】与其他模型相比,SegFormer在两类数据集中的各项评估指标均为最优。相比于人工识别,OpenCV程序可以实现快速、批量计数,且误差小。【结论】通过图像处理技术可以快速、准确检测马铃薯花粉活力,进一步利用该方法快速鉴定了200份F_(2)株系的花粉活力,为马铃薯花粉活力表型采集奠定了基础。

基于机器视觉的无序堆放西瓜识别与定位技术

【目的】研究一种基于机器视觉的西瓜识别与定位技术,满足西瓜搬运设备的自动化要求,为自动搬运设备的视觉部分提供技术支持。【方法】采集西瓜的二维图像数据与三维点云数据。调用OpenCV函数库分割西瓜二维图像,提取出西瓜的外轮廓;采用PCL函数对三维点云数据进行预处理,并与二维图像作图形特征匹配,提取出顶层西瓜的质心点。【结果】单轮次的西瓜轮廓总识别率为97.62%,正确识别率为95.58%,质心识别率为92.72%。20轮测试的总轮廓识别率为98.02%,总正确识别率为96.53%,总质心识别率为94.17%,总质心个数和总西瓜个数之间的误差率为2.36%;西瓜图像处理的总用时为101.8s,效率提高了77.8%。【结论】基于机器视觉的西瓜识别与定位技术识别率较高且误差率较低。

基于虚拟现实技术的自动驾驶仿真训练研究

随着自动驾驶技术的发展,现实中的路测数据已经难以满足相关算法的测试需求。为了缩短自动驾驶算法的开发周期,减少开发成本,论文结合数字孪生思想,搭建了自动驾驶仿真训练平台。仿真平台采用Unity3D引擎进行自动驾驶仿真,使用车辆内置激光雷达和摄像头采集仿真数据;通过Python建立服务器读取摄像头数据,并同步仿真画面进行道路分析,其中采用DeepLabV3+神经网络检测道路,OpenCV检测周围环境;同时编译制图软件连接服务器,通过内存共享机制,读取激光雷达数据,进行实时道路绘制。平台生成的数据集与现实路况生成的数据集,经过10次训练产生的训练误差相似度为93.3%,验证误差相似度为90.9%。