基于FS-YOLOv3及多尺度特征融合的棉布瑕疵检测

为解决传统棉布生产工艺中瑕疵检测成本高、精度低、速度慢等问题,提出一种FS-YOLOv3(Four Scales YOLOv3)网络来自动检测棉布瑕疵.该网络结合K-Means++聚类算法,以交并比为距离度量获取较好尺寸的锚框,提高检测速度.设计了4个不同尺度的卷积特征图与深度残差网络中相应尺度的特征图进行融合,有效地学习样本特征.将Softer NMS算法作为预测框过滤机制,使得高分类置信度的边框位置更为准确.实验结果表明:使用FS-YOLOv3网络能有效提高低对比度、小尺度目标的棉布瑕疵检测精度,整体性能优于传统的检测方法.

CBE教学模式在高校机器视觉教学中的应用研究

随着"十三五"期间"智能制造发展规划"和《机器人产业发展规划(2016-2020年)》的发布,明确了人工智能成为未来发展方向。机器视觉是人工智能的核心领域,是利用机器代替人眼来作各种测量和判断,综合了光学、机械、电子、计算机软硬件等方面的技术。本文结合CBE教学模式,以培养职业能力为出发点的职业教育模式,分析机器视觉人才岗位需求,针对岗位群制定课程体系,通过高校的专业课程设置,满足企业对相关人才的需求,实现了学校人才输出与就业的高质量,培养适合社会需要的应用技能型人才具有很好的借鉴作用。