郭杰
,
雷刚
,
陈健生
,
向守兵
液晶与显示
doi:10.3788/YJYXS20132805.0770
为了降低工人劳动强度,提高检测速度和检测准确度,将机器视觉引入到钢包头在线检测,并设计了检测样机.首先分析钢包头变形特点,提出了基于8个变形敏感区域14项重要指标的检测模型和流程,重点介绍了具体图形算法,最后基于halcon软件编程测试了系统性能,并分析了运动对测量的影响、误差来源及其消除方法.实验结果表明:在线检测的最大误差小于0.2 mm,漏检率0‰,检测精度远高于人工检测,平均视觉检测时间为213.71 ms,整体检测速度约是人工检测的3.5倍,所设计系统可以满足流水线检测需要.
关键词:
机器视觉
,
钢包头
,
在线检测
,
图像处理
毛建森
,
屈玉福
液晶与显示
doi:10.3788/YJYXS20163105.0497
为解决变尺度目标的跟踪问题,本文基于压缩感知理论设计了一种具有目标尺度不变性的目标跟踪方法.该方法首先通过插值的方式将初始帧中要跟踪的目标扩展细化至设定的模板图像大小,提取其压缩感知变换后的低维Haar-like特征作为模板特征并初始化分类器,其次利用卡尔曼滤波对待跟踪的图像帧中目标所在位置和尺度变化趋势进行预测,然后在预测目标所在位置周围提取多个不同尺度的待测目标样本并提取其压缩感知变换后的低维Haar-like特征,最后将这些特征送人分类器进行分类得到真实目标并更新分类器.经过实验验证,本文所设计的跟踪方法的平均跟踪成功率为77％,平均中心位置误差为12像素.能够实现对运动过程中发生尺度变化的目标的有效跟踪.
关键词:
机器视觉
,
目标跟踪
,
压缩感知
,
变尺度
,
卡尔曼滤波
毛宁
,
杨德东
,
杨福才
,
蔡玉柱
液晶与显示
doi:10.3788/YJYXS20173202.0153
针对目标跟踪中的目标尺度变化、遮挡、光照变化、相似目标混淆等问题,本文提出多特征融合的协同相关跟踪算法.首先,本文用多种特征构建目标外观模型,提高目标模型的鲁棒性,增强跟踪的抗形变能力和抗光照变化能力.然后,利用定点优化策略,解决多模板滤波优化问题,获得最佳滤波参数,通过多模板相关滤波算法估计目标位置,利用改进的尺度池方法解决目标尺度变化问题.最后,利用目标置信度判别跟踪目标是否发生遮挡,当目标发生遮挡时,利用CUR滤波模块重新检测目标,解决遮挡情况下跟踪任务.本文利用OTB-2013数据集中的方法测试本文算法,实验表明本文算法的整体成功率和精确度为0.622和0.830,本文算法在目标发生尺度变化、遮挡、光照变化、相似目标混淆等问题情况下,能准确、可靠地跟踪目标,具有一定研究价值.
关键词:
机器视觉
,
目标跟踪
,
多模板协同滤波
,
多特征融合
郑明秋
,
杨帆
液晶与显示
doi:10.3788/YJYXS20173203.0213
为了提高人脸识别正确率,提出基于改进非负矩阵分解的神经网络人脸识别算法.首先利用改进的非负矩阵分解对人脸图像进行特征提取,提高非负矩阵分解速度.接着将提取出的特征信息作为神经网络学习入口进行特征训练,由于神经网络在学习过程中,容易出现局部最小值且收敛速度慢等问题,为此采用改进的遗传算法对神经网络进行优化处理,获得最终的人脸识别结果.实验结果表明:利用改进的非负矩阵分解方法能够降低神经网络的分类训练负荷量和运算量,提高人脸识别识别率.通过和各种方法比较可知,本方法的人脸识别率都较高.本方法人脸特征分解速度快,提高了神经网络训练前期精度和收敛速度,使得人脸识别正确率高.当特征向量个数达到40以上时,人脸识别正确率保持95%以上.
关键词:
机器视觉
,
人脸识别
,
非负矩阵分解
,
遗传算法
,
神经网络
宋国庆
,
吴育民
,
冯云鹏
,
刘景伟
影像科学与光化学
doi:10.7517/j.issn.1674-0475.2016.01.030
随着自动化控制领域的飞速发展,机器视觉技术日渐成熟,并且在各个领域赢得了越来越广泛的应用.机器视觉系统通过对图像信息的处理,用机器代替人眼实现了各种测量和判断.本综述简要介绍了机器视觉技术的概念和机器视觉系统的主要组成部分,阐述了机器视觉关键技术的发展现状,着重分析了机器视觉技术在光学加工检测领域,特别是在光学抛光检测过程中实现自动化的相关应用,最后展望了机器视觉在光学加工检测领域未来的发展趋势.
关键词:
机器视觉
,
加工检测
,
图像处理
,
自动化
阮峰
,
张辉
,
李宣伦
,
李若云
影像科学与光化学
doi:10.7517/j.issn.1674-0475.2016.06.541
针对机器视觉药液异物检测机器人由于机械振动或跟踪不同步,导致所拍摄的序列图像产生位移偏差、影响后续异物分割与提取的问题,本工作采取特征点匹配与块匹配相结合的方法,对序列图像进行配准,求出运动矢量进行图像位移补偿,克服了传统特征点匹配产生空间位置偏差较大误匹配、传统块匹配需对背景静止块进行预处理以及单独使用特征点对匹配或块匹配均难以满足实时需要的问题.首先,对参考帧进行FAST特征点检测,再利用Hessian矩阵、非极大值抑制、熵值差法和特征点距离约束选取稳定的特征点;然后,根据特征点位置信息,选取以特征点为中心的待匹配宏块,再采用一种改进的偏水平方向的六边形搜索策略(HHS)与当前帧进行块与块的匹配,找到最佳匹配块;最后,利用匹配块之间的坐标参数求出运动参数,再利用求出的运动矢量进行帧间补偿.实验结果表明,该算法实时性能能达到72 ms,远快于点对匹配中ORB算法的140ms,比直接用原有的六边形搜索算法(HS)进行块匹配快了近20％,兼顾了速度与精度,能快速补偿药瓶在图像中的位移偏差,抑制图像位移偏差所引起的各种干扰.
关键词:
机器视觉
,
异物检测机器人
,
特征点检测
,
块匹配
,
搜索策略
,
运动补偿
