Supervised descent method for weld pool boundary extraction during fiber laser welding process

In order to obtain a high-quality weld during the laser welding process, extracting the characteristic parameters of weld pool is an important issue for automated welding. In this paper, the type 304 austenitic stainless steel is welded by a 5 kW high-power fiber laser and a high-speed camera is employed to capture the topside images of weld pools. Then we propose a robust visual-detection approach for the molten pool based on the supervised descent method. It provides an elegant framework for representing the outline of a weld pool and is especially efficient for weld pool detection in the presence of strong uncertainties and disturbances. Finally, welding experimental results verified that the proposed approach can extract the weld pool boundary accurately, which will lay a solid foundation for controlling the weld quality of fiber laser welding process.

监督下降的直流电阻率法二维反演

为了解决拟线性反演中先验信息利用不充分及大批量数据计算效率低的问题,本文将监督下降法(Supervised Descent Method,SDM)应用到直流电阻率法二维反演中.SDM包括离线训练和在线预测两个阶段.训练集由根据先验信息生成的模型和正演模拟数据组成.在训练过程中,学习从初始模型到训练模型的下降方向.在预测过程中,同时考虑了训练过程中获取的下降方向和计算出的数据残差.通过合成数据算例,讨论了SDM的反演精度、收敛速度、抗噪能力与泛化能力.在线预测结果显示,块状体和分层结构的混合模型,反演数据误差为0.0037,表明块状模型与层状模型的模块化训练集能有效增强SDM的泛化能力.在对实测数据反演中,通过实测数据视电阻率结果构建训练集,可以优化训练集的模型数据质量及完整性.通过与高斯牛顿法对比,讨论了SDM针对批量实测数据的反演精度及效率.结果表明,针对单一数据,SDM反演耗时(训练时长与预测时长总和)较高斯牛顿法长,但当训练阶段完成后,预测阶段耗时不超过0.5 s,针对同类型、同维度、大批量数据,SDM具有进行批量处理的能力,反演效率更高.

基于监督下降法的大地电磁二维反演及应用研究

传统的大地电磁二维反演方法较为成熟,但仍存在反演结果依赖初始模型和正则化参数选取、容易陷入局部极小值等问题。监督下降法是一种学习平均下降方向来预测数据残差的机器学习算法。本文尝试采用监督下降法解决传统的大地电磁二维反演存在的问题,基于监督下降法理论开发了大地电磁二维反演算法,设计理论模型合成算例验证了算法的正确性,并对西藏高原实测数据进行反演,检验了监督下降法的实用性。理论模型合成数据和实测数据反演结果表明,相较于传统的非线性共轭梯度反演,基于监督下降法的反演具有收敛速度快、反演效果好、抗噪能力强等特点。

基于SDM及加权均值滤波的人脸美化系统

提出了一种基于监督下降法(SDM)及加权均值滤波的人脸美化系统。该系统首先采用SDM实现人脸关键点定位,接着采用交互式图像变形实现人脸局部变形,最后采用表面模糊算法实现肤质调整。实验结果表明,与其他人脸美化系统相比,该系统可通过调整修图的力度达到瘦脸、美目、去斑等人脸美化效果,同时美化后的图片保留原图的清晰度和细节特征信息。

基于火焰图像CNN的转炉炼钢吹炼终点判断方法

在转炉炼钢吹炼过程中,要求对转炉终点做出准确且实时的判断。为提升转炉终点判断的准确率,提出一种基于火焰图像卷积神经网络识别建模的转炉炼钢吹炼终点判断方法。利用卷积神经网络自行从样本图像中分层递阶地学习相应特征,减少或避免人工经验的误导,从而实现转炉终点判断准确度的提升。将火焰图像在HSI空间下采用最大类间方差法进行分割,寻找出模型最佳参数,并在5个炉次的火焰数据上验证算法性能。实验结果表明,与灰度共生矩阵和灰度差分统计方法相比,该方法识别率分别提升29%和4%,模型准确性与实时性较高,可应用在实际转炉炼钢终点判断中。

基于由粗到精定位的列车驾驶员瞳孔和眼角点检测

提出一种由粗到精定位的列车驾驶员瞳孔和眼角点检测方法,采用基于监督下降法的面部特征点定位和跟踪技术对驾驶员的眼角点进行粗定位,在面部特征点正确定位的基础上根据相应点的位置获取眼睛图像。采用圆形模板求得眼睛图像中每个像素点的灰度比率,并将其作为权值获取积分投影曲线,对瞳孔点粗定位。将已检测到的瞳孔中心点和眼角点作为初始点,采用基于局部二值特征的定位技术对眼角点和瞳孔位置进行精确定位。利用视频和图像数据库进行实验测试,实验结果表明:提出的方法能够有效定位驾驶员眼角点和瞳孔位置,其瞳孔检测精度优于最新提出的方法。

基于单幅正面照和统计模型的三维人脸重建方法研究

为提升单张图片三维重建的效率、提高重建的精准度,提出了一种基于单张图片和统计模型的三维人脸重建技术。首先基于智能行为理解组(intelligent behaviour understanding group,IBUG),采用监督下降算法(SDM)进行训练来建立二维人脸特征点参数模型;再应用该参数模型对给定图片进行特征点提取;然后基于北京工业大学3D数据库(BJUT-3D)进行三维人脸统计模型的构建;最后,以三维人脸统计模型为基础,使用学习因子自适应梯度下降法对能量函数进行迭代优化,得到统计模型参数化向量,使用该向量来调整统计模型,实现与给定图片相匹配的三维人脸模型构建。实验证明,与现有的方法相比,本文方法重建出的三维人脸模型具有更高的精确度和自适应度。

基于监督下降方法的左心室超声图像分割

针对基于表观模型的图像分割算法在特征点迭代定位过程中计算量过大、对非线性局部特征的优化较为困难等问题,采用一种基于监督学习的梯度下降算法,建立4层多分辨率金字塔模型,并使用一种基于巴氏系数的特征提取函数(B-SIFT)替代原方法中的尺度不变特征变换(SIFT)特征,对左心室心内膜及心外膜进行特征点定位。首先对训练集进行归一化处理,统一经食道超声心动图像(TEE)的尺度;然后建立基于多分辨率金字塔和B-SIFT特征的监督下降模型,得到特征点趋近于真实值的梯度下降方向序列;最后将得到的方向序列作用于测试集中,得到最终的左心室分割结果。将该方法与传统监督下降方法进行对比,其得到的分割平均误差相比传统监督下降方法降低了47%,迭代得到的最终值相对单一尺度的梯度下降算法更加逼近真实值。

自适应监督下降方法的姿态鲁棒人脸对齐算法

人脸对齐是人脸分析处理中的重要一步。由于现实中的人脸照片通常在姿态、光线等方面存在较大的差异,人脸对齐是一项艰巨的任务。初始关键点的位置以及特征提取对人脸对齐很重要。提出一种自适应监督下降方法(SDM)的姿态鲁棒人脸对齐算法。首先,为了减小姿态差异对人脸对齐的影响,使用聚类算法将图片按照姿态分成三类(正脸,左侧脸,右侧脸),这样每个类别下的姿态更加紧致。其次,考虑到人脸对齐是由粗到细的多阶段监督学习过程,采用自适应特征提取框(由大到小)来提取判别性特征。基于上述两种策略,在每个类别下,提供一个更好的初始关键点位置,通过自适应特征提取的SDM模型来进行回归模型的训练。选用LFPW、HELEN和300W数据集进行评估,实验结果表明,该模型在复杂姿态下能准确定位关键点,并且好于现有的人脸对齐算法。

基于关键点的由粗到精三维人脸特征点定位

提出了一个基于关键点由粗到精的三维人脸特征点定位算法,该算法将人脸特征点定位分为关键点检测和标记两个独立的子问题。为了更好地在三维人脸上提取关键点,该算法提出了一个关键点检测方法：1）使用深度图和监督下降算法得到三维人脸特征点的粗略位置,提取特征点粗略位置的邻域作为关键点区域;2）提出了一种结合多个局部描述子的方法,对关键点区域内人脸点集的子集进行筛选,提取出关键点。在特征点标记阶段,使用关键点集生成候选特征点组合,选择与特征点模型匹配程度最高的组合,将组合中的候选点标记为特征点。基于FRGC v2.0和Bosphorus数据集对算法进行了实验评估,并与一些经典方法的结果进行了对比分析。FRGC v2.0库上的特征点的平均误差为2.85-3.81 mm,总体检测成功率为96.5%,其中中性、温和以及极端表情下检测成功率分别为97.5%、97.0%和93.3%。Bosphorus库上3种姿态下的检测成功率分别是92%、95%和88%。实验结果表明,该算法具有较好的精度和效率,对表情和小幅度的姿态变化具有较好的鲁棒性。

多特征融合的驾驶员疲劳检测研究

针对驾驶疲劳检测中面部特征定位及驾驶员疲劳状态判别方法判断存在的不足,提出了利用监督下降算法同时定位驾驶员的多个面部特征。在眨眼、哈欠及点头判断的基础上,提取驾驶员眨眼频率、哈欠频率及点头频率多个特征值建立疲劳检测样本数据库,并构建朴素贝叶斯分类器进行疲劳判断。当驾驶员出现疲劳驾驶时及时给以警告信息,以预防交通事故发生。在实际的驾驶环境视频测试结果中,驾驶员疲劳状态的判别平均准确率达到了94.87%,具有较好的性能。

稳定的视频内头部姿态估计方法

传统基于特征点的头部姿态估计方法准确性依赖于3D人脸模型和特征点定位精度等因素,易导致姿态估计值不精确、波动性较大。针对姿态估计值不精确的问题,引入误差补偿方法,利用极端梯度提升拟合传统方法估计值的误差,将其与传统方法的结果叠加作为优化的姿态估计值;针对波动性较大的问题,定义视频内头部姿态估计的稳定性,提出基于余弦相似性的稳定性度量,衡量估计值是否反映真实值的变化趋势;引入自适应移动平均对姿态估计值进行平滑。实验结果表明,该方法能有效提高头部姿态估计的准确性和稳定性。

基于熵加权Gabor特征的鲁棒人脸识别方法

针对传统人脸识别方法对于人脸姿态变化中偏转人脸的识别率较低的问题,提出一种基于监督下降法(SDM)模型和熵加权Gabor特征的鲁棒人脸识别方案。首先,利用SDM模型提取人脸图像局部特征,对人脸进行矫正对齐;然后,将人脸构建成一个变形网格,并计算Gabor特征系数(Gabor jets);再后,引入图像的熵来加权Gabor jets特征,并进行局部归一化(LN);最后,利用Borda计数将输入人脸图像上的Gabor jets与图库进行比较,并通过统计模型对人脸进行分类识别。实验结果表明,该方案能够很好的识别具有姿势、光照和表情变化的人脸图像,特别对人脸偏转具有很强的鲁棒性。