基于深度学习的厂站一次接线图拓扑关系检测

目前调度控制系统中厂站一次接线图的绘制采用人工绘制、录入的方式,由于图形样式复杂,设备类型众多,极易出现元件缺失、关联错误、连接线虚接等问题。针对这些问题,提出了一种基于深度学习和改进概率霍夫变换相结合的厂站一次接线图的识别算法。首先,利用基于改进Faster-RCNN对电气元件、文本框进行识别,并获取其位置信息。然后,利用改进概率霍夫变换检测母线与连接线。最后,根据检测到的元件、母线和连接线,设定距离阈值、构建图结构,确定各元素的关联关系。实验证明,本文所提方法的母线检测准确率高达100%;对于厂站一次接线图拓扑关系检测,其准确率、召回率、综合F1值分别达89.8%、88.6%、89.2%,与Faster-RCNN、YOLOv5等方法对比,准确率提升显著,能够满足厂站一次接线图自动识别的要求。

结合Sobel和PPHT的织物纬斜检测方法研究

针对光电式织物纬斜检测方法存在准确度低、适应性差、耗时长的问题;提出了结合Sobel边缘方向和累加概率霍夫变换(PPHT)的机器视觉织物纬纱倾斜检测方法,能够快速准确地检测出织物纬斜方向角度;首先对工业相机采集到的织物图像进行频域滤波再逆变换,增强织物图像中的纬纱纹路;然后使用Sobel方向算子对织物图像卷积运算得到织物图像的边缘方向图,并对其阈值化分割出边缘方向图中的纬纱纹路区域;最后将纬纱纹路区域骨架化,采用累积概率霍夫变换检测出近似纬纱纹路区域骨架直线的倾斜角度,即织物纬纱倾斜角度;通过对不同类型的织物样品进行纬斜检测测试,测试结果为检测纬斜角度的偏差值低于0.1°,检测时间低于0.6s;结果证明提出的方法能够满足机器视觉整纬器精确性、实时性和通用性的要求。

结构化道路上应用区域划分的车道线识别

针对多数研究中车道线检测的准确性和实时性难以有效平衡的问题,提出了一种应用区域划分的车道线识别方法。首先通过改进的大津(OTSU)算法提取边缘图像,再在所得边缘图像的基础上,利用改进的概率霍夫变换(PPHT)提取车道标识线上的特征点,并采用最小二乘法(LSM)对特征点点集进行直线拟合,最后通过提出的路面干扰线规避算法检测所有拟合得到的直线段并筛选可能的车道线。在实验方面,引入三种算法作为对比,并利用提出的准确性评价模型对500幅典型道路场景图中的车道线识别结果进行评估,同时统计在处理一段长为1 min 26 s的道路视频时每帧图像序列的平均耗时。实验结果表明所提算法的查准率、查全率、F量测值均优于对比算法,且达到实时处理的要求。

基于概率霍夫变换的快速车道线检测方法

提出了根据高斯分布模型的自适应阈值分割方法,使用了基于形态学变换的二值图优化算法得到车道线边缘图.改进了概率霍夫变换,使其更能满足实际情况,从而换检测出车道线.实验表明了该方法可以有效检测出车道线,并且速度上得到了极大的提高.

亚像素级激光光条提取及其激光平面标定应用(英文)

为了标定激光平面以实现三维形貌测量,提出一种亚像素级精度激光光条提取算法.该算法包括两侧边检测和中心线提取2个部分.首先,利用基于主成分角的渐进概率霍夫变换检测2条侧边并依赖该两侧边的距离获取光条宽度;然后,应用二维泰勒展式提取具有亚像素级精度的光条中心线并依据重建的三维坐标标定激光平面.实验结果表明,所提算法光条中心提取速度较快,平均约为78 ms/帧,光条平面共面误差较低,限制在0.3 mm以内.因而所提算法能够满足提取光条的两侧边和中心线的需要,且快速可靠、精度高和抗干扰能力强.

用于智能汽车的复杂光照环境车道线检测及跟踪方法

针对复杂光照环境的智能汽车行驶安全问题,提出一种车道线检测及跟踪的改进方法。在图像预处理阶段,应用灰度变换方法增大不同光照环境的车道线和道路对比度;用改进概率Hough变换方法提取二值化图像中的车道线;用最小二乘法进行车道线拟合;根据前一帧车道线检测结果建立Kalman滤波动态感兴趣区域,实现车道线准确跟踪。进行夜间光照、弱光照、强光照及正常光照等不同光照环境下的车道线检测和跟踪实验。结果表明:该方法的准确率约为97.53%,对于单帧车道图像的处理时间约为60 ms,具有较好的准确性和实时性,并具有抗路面阴影、交通标志、车辆遮挡、路灯等因素干扰的能力。

巡检机器人中指针式仪表示数的自动识别方法

针对巡检机器人室外自主识别仪表示数易受到光照影响的问题,在研究了基于二维伽马函数的仪表图像光照不均匀自适应校正算法的基础上,提出了基于最大稳定极值区域(MSER)提取指针区域的算法。首先,通过三尺度高斯函数提取光照分量,构造二维伽马函数自动地调整图像反光区域或过暗区域的亮度;然后,通过MSER的两次稳定区域检测提取指针区域;接着,以指针通过仪表轴心为条件,用细化算法和累计概率霍夫变换(PPHT)精确地定位到指针,提高了定位直线的准确度;最后,通过PPHT检测的直线两个端点与轴心位置比较,直接可以判断指针指向,更加方便了计算示数。实验结果表明,所提的仪表示数识别方法能够适应不同光照下、不同类型仪表的指针定位,且识别示数的正确率达到94%以上。

一种基于消隐点的单目视觉车辆测距方法

为了克服传统单目视觉测距中时变的摄像机外参数对测量结果的影响,利用道路车道标识线平行约束条件,提出了一种基于车道线消隐点的单目视觉自适应车辆测距方法。首先利用概率Hough变换提取结构化道路车道线方程参数,确定车道线消隐点图像像素坐标;然后根据传统的静态单帧测距模型推导出了基于车道线消隐点的单目视觉车辆距离测量方法,并组织了相应的前方车辆测距试验,试验结果表明：该方法能够有效测量前方车辆距离,测距误差不超过10%,测量结果的精确性满足安全行车碰撞预警要求。

基于深度学习的气泡水平尺自动矫正系统研究

针对气泡水平尺大角度偏斜工件的自动矫正问题,对深度学习目标检测领域的模型进行了研究,设计了一种基于深度学习的自动矫正方案。在不同光照条件的气泡工件图片样本集上,采用k-means聚类方法,分析了不同anchor box数量对YOLO检测性能的影响,对比了YOLO与SSD两种模型的检测准确率和平均IOU;同时结合概率霍夫变换与最小二乘法,设计了两种气泡工件参考线边缘拟合方法,并对比了两种拟合方法计算工件偏斜角度的准确度;针对应用场景,采用Client/Server网络结构,服务端接收客户端采集的图像并将计算结果返回,客户端控制电机对偏斜工件进行了自动矫正。研究结果表明:该方案能对气泡大角度偏斜的工件进行检测,相比现有方案矫正的效率更高。

基于深度学习的集气站指针式仪表读数研究

为了提高集气站仪表读数的信息化程度、减少人力资源成本,应用机器视觉和深度学习算法对指针式仪表的自动读数进行了研究。首先,对图像进行预处理,对白天采集的图像使用双边滤波进行降噪处理,对晚间采集的图像使用单尺度Retinex进行增强处理;接着,使用Mask基于区域的卷积神经网络(RCNN)获取采集图像中仪表的具体位置;然后,使用连通域算法确定指针区域,使用查表法和累计概率Hough变换进行了指针的拟合;最后,对仪表的表盘进行了建模,结合指针得到仪表指示的最终示数。创新性地提出了一套针对指针式仪表的算法流程。利用上述算法流程对测试图像进行处理,仪表的人工读数和算法读数误差在0.5%以内,误差率达到了工业应用的要求,可以极大地减少人工读数的工作量。

图像处理用于机器人焊接焊缝偏移的测量研究

针对机器人自动化焊接工件过程中,人为摆放工件造成的,焊缝位置与焊接机器人实际焊接路径之间的偏差。将数字图像处理和视觉测量方法结合起来,采用了非接触式测量方法进行焊缝偏移的测量。对工件图片的焊缝通过边缘提取,在此基础上采用改进的概率Hough变换,使得工件图像的焊缝边缘变成有意义的线特征,从而能够得出实际焊缝相较与标准的偏移量。结果表明,该方法所得结果与实际值的测量精度可达0.1mm,证实了基于图像处理的焊缝偏移测量方法的准确性。

基于改进Canny边缘检测的指针式仪表自动读数算法研究

指针式仪表自动读数是工业巡检机器人系统的核心技术之一,以机器视觉为基础,提出了一种新的指针式仪表的自动读数算法研究,研究分为3个模块。首先采用基于深度学习的目标检测SSD算法,对指针式仪表位置进行准确定位,该算法可以准确的从复杂背景中检测出指针式仪表的位置,并将其提取出来;接着采用多尺度Retinex对HSL色彩空间中的图像进行图像增强,采用最大类间方差进行二值化操作,采用改进的Canny边缘检测进行指针边缘的提取;最后采用改进的霍夫变换法——概率霍夫变换对指针所在的直线进行检测,计算出指针的倾斜角度从而利用角度法得出指针的准确示数。实验结果表明该研究可以较为准确的自动读出指针仪表的示数,误差较小,稳定性高。

基于混合模型的钢轨检测识别方法

为了改善我国现有钢轨检测识别方法准确性和鲁棒性不高以及弯轨拟合较差等问题,提出一种基于直线-曲线混合模型的钢轨检测识别算法。首先对图像进行预处理,调整滞后阈值进行Canny边缘检测。采用累计概率Hough变换对直轨检测并完成近远视场的划分以及消失点的确定。对近视场直轨采用直线模型拟合,根据其检测结果对远视场进行循环线性近似获取钢轨特征点,并根据钢轨灰度特征进行验证,采用最小二乘法完成曲线拟合。直线-曲线模型的切换根据制定的规则完成。实验结果表明,提出的算法检测正确率为90.1%,适用于不同环境的场景,具有较好的鲁棒性。