基于改进HT-LCNN线段检测模型的隧洞施工活动时间信息智能提取方法

施工活动时间信息的有效提取是隧洞施工进度分析与决策的重要前提,目前常采用的一种隧洞施工活动时间记录方式是绘制横道图线段。针对传统依赖于人工统计的方式存在效率低、易出错等问题,提出基于改进深度霍夫线条先验网络(Hough Transform-Line Convolutional Neural Network,HT-LCNN)线段检测模型的隧洞施工活动时间信息智能提取方法。首先,采用单应性变换手段进行施工日志图像预处理,解决原始图像存在的倾斜、旋转、扭曲等问题;其次,利用全局上下文注意力模块(Global Context Network,GCNet)改进HT-LCNN模型的残差模块,通过建立和共享全局注意力图,获得目标线段在特征图和通道间的长距离依赖关系,提高模型对目标手绘线段的注意力,克服原有HT-LCNN方法容易受到表格线段和文字干扰的不足,实现手绘线段的高精度智能检测;进一步地,建立施工时刻-活动坐标系,根据所检测的手绘横道图线段的端点坐标位置特征,将其自动转化为施工活动时间信息。将该方法应用于某长距离引水隧洞TBM施工日志活动时间提取,本文提出的改进HT-LCNN模型的检测精度AP_(5)、AP_(10)、AP_(15)值分别为94.7%、95.0%、95.1%,均高于HT-LCNN和LCNN;基于本文方法自动提取的施工活动时间与人工提取结果相比,平均绝对误差仅为1.82 min。本研究为隧洞施工活动时间信息准确高效提取提供了新思路。

结合深度学习与Hough变换的等长原木材积检测系统

针对成捆堆放的原木端面图像,利用机器视觉方法开发一个材积检测系统,算法的鲁棒性和系统应用的方便性是两个关键难点。为了解决上述问题,实现原木材积自动化检测,设计并开发了结合深度学习与Hough变换的等长原木材积检测系统。首先,在对训练样本做了旋转、调整曝光度、加噪声等提高模型鲁棒性的预处理后,使用YOLOv3⁃tiny卷积神经网络对原木端面图像进行目标检测,计算得到每一个原木端面对应的目标区域;其次,在对目标区域计算边缘并去除目标区域中心噪声边缘后,利用Hough变换圆检测算法计算原木端面轮廓的准确直径;最后,开发了操作简捷方便的用户界面,根据用户输入的一个原木轮廓径级校准信息和长度,即可实现图中所有原木的材积检测。本系统在多种原木端面图像上,包括端面完好、端面伐痕、端面霉变、环境复杂等情景进行实验验证,系统真检率为98.79%,误检率为0.602%。结果显示本系统在各种复杂原木端面图像上具有很好的鲁棒性,同时为了兼容深度学习算法与用户界面设计,本系统在PyQt5核心库上实现了操作界面,其操作简洁、使用方便。

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。

一种基于视觉分析的指针式仪表智能抄读方法

在电气室设备指针式仪表抄读中,人工抄读易出现漏检、误检和检测不规范以及其他安全问题,故研究高精度的指针式仪表抄读方法来替代传统抄读方法具有重要意义。针对人工抄读和现有指针式仪表检测识别算法出现的诸如误差大、检测流程繁琐等各种问题,设计了一种基于视觉分析的指针式仪表智能抄读方法。该方法通过YOLOv3的特征提取网络对仪表图像进行表盘提取和刻度数字关键点检测,由于提取后的图像可能是通过包含仰视、平视和俯视三种采集姿态在内的不同环境条件拍摄得到的,所以图像会出现一定程度的畸变。为了减少识别误差,还需要进行基于透视变换的倾斜畸变矫正处理,再通过基于霍夫变换概率直线检测和极坐标变换的距离法进行示数判读。多次实验结果表明,该方法在指针式仪表识别的平均准确度达到97.48%,帧速率达到4 fps,并且该方法仍然具有良好的鲁棒性,能够满足实际工程需求。

基于深度学习的指针仪表识别系统

指针仪表识别并读数是机房巡检的重要任务,该文基于图像处理和深度学习算法,设计了一种指针仪表识别系统。首先,通过巡检机器人采集机房巡检的数据集;其次,对Faster R-CNN模型进行池化策略改进,并使用更深的ResNet152残差网络,实现仪表区域的识别和定位;最后,使用边缘检测结合霍夫变换对仪表进行矫正和读数。实验结果表明,改进后的Faster R-CNN模型准确率较高,平均精确度提高了6.2%,也优于当前主流的网络模型。该模型测试的读数误差在2%以内,企业测试人员实际运行后的误差在4%内,可以满足企业巡检需求,具有较好的应用价值。

基于深度学习的高铁接触网定位器检测与识别

高铁接触网安全监测的主要方法是采用可见光高清相机捕捉接触网零部件的图像序列,通过图像处理和计算机视觉技术实现对零部件的检测、识别与跟踪.在整个监测系统中,定位器检测识别是必要的基础工作.传统的目标检测算法受限于特征描述子的设计,难以依靠人工设计出具有通用性、鲁棒性、高精度的特征描述子.于是提出基于Faster R-CNN模型实现高精度的接触网定位器检测,同时采用Hough变换检测出定位器的骨架轮廓,并通过滤线机制筛选出定位器的最优拟合直线段,为定位器坡度的非接触式精准测量做好基础性工作.

温湿度检定仪中的数字式仪表识别

为了提高温湿度计检定仪的智能化水平,提出了一种基于不变矩信息融合的温湿度计数字自动识别算法。首先,通过Otsu法对图像进行分割,截取仪表盘;其次,通过Hough变换对图像进行校正;再次,通过Two-Pass算法定位数字区域,并采用非端点位置像素置零法细化数字图像;最后,采用Hu矩与Zernike矩融合的方法,提取图像分类特征,并利用现场实际采集的仪表图像对该算法进行了验证。结果表明,基于不变矩信息融合的数字识别算法降低了算法的复杂度,提高了检测效率。

一种基于RefineDet网络和霍夫变换的高速铁路接触网吊弦状态多尺度检测方法

针对高速铁路接触网吊弦的状态检测问题,该文提出一种基于RefineDet网络和霍夫变换的吊弦多尺度定位与识别方法。通过设计RefineDet网络的粗调和精调模块对吊弦整体结构进行定位,采用霍夫变换锁定吊弦中部吊悬线所在直线,并利用旋转因子沿直线方向提取吊悬线区域;以吊悬线区域代替吊弦结构整体区域送入分类网络进行训练,通过所建立的多尺度吊弦状态检测模型,实现吊弦状态的精确识别。实验结果表明,吊弦定位模型的准确率达95.3%以上;霍夫变换可排除无效区域对吊弦状态识别的干扰,提高分类网络的训练速度,吊弦状态识别模型准确率达97.5%以上。

一种基于二维图像的安全着陆区选择方法

主要研究降落图像的天体表面障碍物的识别和着陆区域的选取技术。首先应用数学形态学中的顶、底帽变换以及腐蚀、膨胀等算法对探测目标表面的特征信息进行识别,通过图像滤噪、特征提取,得出障碍信息;然后对提取出的障碍信息进行sobel边缘检测;最后提出一种改进的霍夫变换圆形检测算法求出最大的安全着陆区域。对实拍序列降落图像进行系统仿真以及对比实验。结果表明,此种方法可以准确、快速地为探测器提供安全着陆信息,并能够有效地为探测器提供出备选的安全着陆区域以及最佳着陆点。

基于改进深度霍夫的螺母中心定位检测方法

螺母作为输电线路上的重要连接构件,对于保证输电安全至关重要。文章设计了基于改进深度霍夫的螺母中心定位检测方法,将目标检测技术引入到输电杆塔等现场检测单元中。将工业相机采集到的工件图像输入到YOLOv5检测网络中得出目标框中心坐标,采用Zero-DCE图像增强算法进行预处理,最后通过深度霍夫直线检测与K-means聚类算法得出螺母边缘直线,通过六边形约束法找到螺母中心点坐标,将位置坐标通过串口传输到上位机控制机械臂紧固螺母。实验结果表明,所提算法能够实现螺母中心定位,具有较强适用性和鲁棒性。

图像语义分割辅助的车载激光点云道路提取方法

针对车载激光扫描系统获得的点云数据量大,难以获得有效特征进行分割分类提取道路的现状,提出一种深度学习图像语义分割辅助的激光点云道路提取方法。采用二维图像语义分割、数据融合配准粗分类、三维霍夫变换点云平面分割拟合和局部优化点云细分类的四步工作流程对车载激光点云进行道路提取。在2段不同的城市道路点云数据中进行提取与评测,获取的道路数据正确率与完整率均达到99%以上,提取质量优异,可满足实际应用需求。经实验分析,该方法可有效提取不同道路情况的道路点云,对点云数据的原始条件约束较少,相比其他方法在普适性和鲁棒性上都有大幅的提升。

联合深度卷积神经网络的遥感影像机场识别算法

针对亚米级高分辨率遥感影像中机场识别算法存在的定位精度和识别准确率低的问题,提出了一种基于深度卷积神经网络的高分辨率遥感影像机场识别算法。首先,使用双三次插值算法对原始影像进行下采样处理并转为灰度图,进行模糊增强以得到预处理图像。其次,利用Canny算子提取灰度图边缘信息并使用概率Hough变换提取其中的直线,通过判断平行线存在与否对直线区域进行初步筛选及合并。再次,对合并后的区域利用深度卷积神经网络进行判别以得到相应区域的识别概率值。最后,通过分析概率值得到机场目标。对某卫星两种高分辨率遥感影像数据进行实验,得到识别率100%、定位准确率87.53%的实验结果,证明了所提算法的有效性和通用性。

基于传统图像处理算法和深度学习的轨道区域识别研究

异物侵入是造成铁路安全事故的重要原因,检测异物入侵的前提是准确的轨道区域识别。传统图像处理算法基于轨道图像的边缘特征和直线特征,综合运用Sobel算子和Hough变换识别图像中的铁轨,然后确定轨道区域。深度学习技术快速发展,在图像处理等方面展现了巨大的潜力。利用深度学习的目标检测算法,基于MaskR-CNN模型,训练轨道区域识别系统,通过在实际图片上验证效果,证明了系统识别的有效性。

长江口洪季北槽深水航道区域悬沙沉降速度估算

根据北槽深水航道区域洪季多年固定测点的水文泥沙资料,综合利用Rouse公式及霍夫变换方法,估算了深水航道工程下洪季北槽悬沙沉降速度。从悬沙沉降速度角度探讨了北槽深水航道区域泥沙高回淤的基本原因。研究结果表明:航道回淤与悬沙沉降速度有十分密切的关系;洪季条件下,北槽悬沙沉降速度在2～8 mm/s之间,其悬沙沉降速度随盐度变化有先增大后变小的特点,在7‰左右时悬沙沉降速度最大;结合洪季北槽航道回淤分布,在深水航道CSW～CS3测点附近泥沙回淤量较高,该处航道高回淤是由于该区域具有较好的泥沙絮凝条件(盐度)及较高的水体含沙量致使该区域悬沙沉降速度较大造成的。

基于接触网成像技术的定位管斜拉线故障检测方法

定位管斜拉线是电气化铁路接触网支持定位装置重要组成部分之一,其故障可能影响行车秩序,造成严重后果。提出一种基于目标检测定位和像素点统计的定位管斜拉线不受力故障检测方法,首先采用深度学习YOLOv2算法对斜拉线两端进行目标检测定位以确定斜拉线潜在区域,利用Canny算子提取潜在区域内斜拉线轮廓,然后通过霍夫变换对所提取轮廓的主体进行线性拟合,最后根据拟合直线与斜拉线图像的隶属程度判断斜拉线线性度,从而达到斜拉线不受力故障检测的目的。采用该方法对200张测试图像进行检测,包含180张正常图像和20张斜拉线不受力状态图像,检测准确率达到98.5%,召回率达到100%。检测试验表明,该方法对斜拉线不受力检测具有良好效果。

基于深度学习的架空线路绝缘子掉串识别研究

针对无人机巡检拍摄的架空线路绝缘子设备的照片进行处理,旨在建立一个基于Faster R-CNN目标检测算法的架空线路绝缘子设备识别与掉串诊断的模型。首先通过TensorFlow建立训练框架,将收集到的绝缘子数据集训练Faster R-CNN网络识别绝缘子,其次利用小波变换去噪增强图像特征信息,再对经过二值化处理的图像进行霍夫变换直线检测以及垂直投影确定有无缺陷。该模型绝缘子识别率为85.6%,掉串检测正确率为96%,有较强的鲁棒性。通过这样一个检测模型可以及时发现绝缘子设备存在的绝缘隐患,降低出现绝缘故障的风险,并且可以配合无人机巡检,大大减少人力劳动,更有效地分配人力资源及减少运维的成本。

基于拓扑不变性的深空背景暗弱目标检测方法

通过分析深空背景图像的特点,提出一种基于拓扑不变性的深空背景暗弱目标检测方法。首先,使用基于拓扑不变性的图像匹配方法以首帧图像为基准对序列图像进行匹配;然后,进行背景滤除;最后,利用基于Hough变换的方法对图像进行暗弱目标检测,从而获取目标信息。为验证提出算法的有效性,使用STK软件制作若干幅半仿真序列图像进行实验。结果表明:提出的算法对空间碎片的检测能力超过了SMP和SBV两种算法;算法的计算效率与SMP算法相当,比SBV算法高。

基于霍夫变换和深度神经网络的停车场空位检测模型

如今人均车辆保有率逐年上升,如何快捷寻找停车场空位成为停车行业研究的新方向。随着深度学习技术的发展,使用深度学习检测停车场空位,为解决停车位检测问题提供了新思路。文章提出了一种基于深度学习结合透视变换、Canny算子边缘检测和霍夫变换直线特征提取等方法的停车场空位检测模型,其准确率达到94.44%,在检测停车空位方面取得较好效果,为停车场空位图像检测方向提供了实现方法和技术支撑。

适应于户外场景下低成像质量的指针式表计读数智能识别方法

由于户外场景下智能巡视表计设备采集图像时会受光照条件影响,设备采集图像质量较低,因而难以实现表计的准确读数。为此,该文首先提出一种户外场景下巡视表计的方法。该方法分为表盘检测与读数检测两部分,通过训练表盘特征高效检测模型进行表盘检测后,将检测到的候选框图像进行预处理以及基于轮廓检测的二值图重构,然后在上述二值图中依次进行起始刻度线检测、指针检测,最后使用角度法获得表计读数。经实验验证,该文方法可以克服户外场景下表计图像存在的图像模糊、反光以及存在阳光阴影等低成像质量的影响,在5种常见光照场景下的表盘目标平均误检率与平均漏检率分别为1.005%与0.505%,单张图像检测平均耗时28.1 ms,读数检测准确率为93.91%,对于复杂光照场景下的变电站指针式表计读数具有适用性与有效性。