太阳能电池板的表面是否完整无损对于其发电效率起着决定性的作用, 传统的人工检测法、红外穿透检测法、机器视觉检测法等都存在各自的缺点。由于室外太阳能电池板具有图像获取难度大、样本数量小、样本相似度高等问题, 大多深度学习算法并不能出色地完成室外太阳能电池板缺陷检测任务。针对该任务的特殊性, 提出基于改进DenseNet网络模型的缺陷检测方法, 选取DenseNet基础网络模型, 在模型中加入L2正则化, 并调整Batch Normalization层以解决过拟合问题; 将激活函数ReLU函数替换为SELU函数, 更好地缓解了梯度消失问题, 加强了网络的鲁棒性。实验结果表明, 训练集准确率到达93%, 测试集准确率达到87%, 能有效地检测并区分出电池板不同程度的损伤。

针对工业铝材缺陷检测中由缺陷样本稀疏带来的训练过拟合、泛化性能差等问题,提出一种基于多任务深度学习的铝材缺陷检测方法。先基于Faster RCNN设计一个包含铝材区域分割、缺陷多标签分类和缺陷目标检测的多任务深度网络模型;再设计多任务损失层,利用自适应权重对各项任务进行加权平衡,解决了多项任务训练中的收敛不均衡问题。实验结果表明,在有限的数据集支持下,相较于单任务学习,该方法能够在保持分割任务的均交并比(MIoU)指标最优的情况下,分别提高多标签分类和缺陷目标检测的准确率,解决了由铝材缺陷检测样本少引起的检测精度较低的问题。对于多任务应用场景,该模型能够同时完成三个任务,减少推断时间,提高检测效率。

针对水下涵洞降质图像存在裂缝被非均匀悬浮颗粒遮挡的问题,提出了一种基于增强色调特征的涵洞裂缝缺陷分割算法。该算法增强对色彩高敏感的色调特征,并以此为基础对图像进行粗分割。针对涵洞壁凹陷等干扰图像分割结果的问题,在空域上对粗分割结果进行约束,以连通区域为局部单元,对其进行区域特征约束以滤除干扰,完成分割。实验结果表明,该算法能有效地分割被干扰的裂缝缺陷。

针对传统基于群体运动状态分析的异常事件检测方法对场景语义信息描述不足的问题,引入了复杂网络中运用社区发现的Girvan-Newman(GN)分裂算法。将具有相似运动特征且位置相近的行人划分为多个群组,利用群组运动强度和群组数量的变化,描述群组在正常和异常场景中的差异,检测异常事件的发生。通过实验验证,该算法能够在丰富场景语义信息的同时实现对异常事件的准确检测。

传统的红外与可见光图像融方法将图像分解为多个频域分量后分别融合再相加,存在边缘模糊、对比度低等问题,为此提出了一种基于Tikhonov正则化和细节重建的融合方法。首先,利用Tikhonov正则化将图像分解为基本层和细节层,针对基本层训练一种用于细节重建的生成对抗网络;然后提取待融合图像的基本层特征,采用主成分分析方法进行融合;最后将基本层融合结果输入到生成对抗网络中,重建出一幅高频信息丰富的融合图像。实验结果表明:所提方法很好地保留了源图像中的细节信息和高亮区域,对不同清晰度的图像具有较好的鲁棒性。

相机的位姿估计广泛应用于计算机视觉和机器人学等领域。针对相机位姿估计的稳定性与实时性,基于正交迭代算法,提出了一种考虑空间参考点不确定性的相机位姿估计算法。该算法的关键思想是在考虑摄像头畸变的情况下,根据参考点的位置特征获得相应权值,并利用加速正交迭代思想对迭代过程中的重复计算进行规整,最小化加权重投影物方残差函数获得相机位姿。模拟数据实验和真实图像实验表明,该算法计算精度更高,速度更快,时间复杂度较低。在空间参考点深度较大或者偏离摄像头光轴的情况下,该算法的时间复杂度和精度均优于现有的正交迭代算法,从而实现了相机位姿估计的实时性。

针对传统的车道线检测系统采用单路前视摄像头在夜晚场景下易受强光照干扰和在复杂场景下易出现误检漏检的问题,提出一种基于主动红外滤光环视成像的车道线检测算法。在成像阶段,利用4路基于主动红外滤光成像的车载摄像头采集车辆四周的场景信息,再基于透视变换和图像融合得到具有360°俯视效果的环视图像。在车道线的检测阶段,提出一种基于凝聚型层次聚类的车道线检测算法:1) 基于车道线的形状特征设计一种具有较强针对性的匹配模板用来提取车道线边缘点;2) 以凝聚型层次聚类对边缘点聚类,并以随机抽样一致性算法对车道线进行直线拟合;3) 结合先验信息和卡尔曼滤波器进一步提高检测准确性。结果表明,本文算法能够较好地消除车道线检测过程中的强光照影响,并在一定程度上有效地降低了误检漏检率。

区域推荐搜索是机器视觉研究热点之一,针对传统目标检测使用穷举式搜索效率低下的问题,通过优化搜索的准确率可提高检测效率。引入复杂网络中用于社区发现的Girvan-Newman(GN)分裂算法,结合小目标区域特征,提出一种基于图像网络结构的小目标检测区域推荐搜索算法。该算法根据区域间多样性颜色直方图相似性构建图像与图的映射关系,通过图中连通子图的生成获取小目标可能区域。能在生成较少候选区的情况下满足较高的召回率,进一步优化小目标检测的时间消耗。

为满足自然场景下显著性检测精度的要求, 提出了一种显著性检测优化方法。该方法采用简单线性迭代聚类分割算法将图像分割为多个超像素区域, 并提取颜色区域对比度特征。通过Harris角点检测算法定位目标的大致几何中心, 以中心概率的形式表征目标空间分布特征, 并进行目标位置自适应的特征融合。基于目标空间分布特征和图像灰度重心, 实现抑制背景、增强目标的显著图优化; 利用针对显著性值的空间平滑技术, 可增加显著图的连续性。实验结果表明, 该方法在几个公开的测试集中的测试具有较高的准确率、召回率和较低的平均绝对误差, 可应用于复杂自然场景下的显著性检测。

提出了一种结合边缘混合高斯模型与帧间差分的方法,来实现红外光照突变场景下的运动目标检测。该方法通过统计阈值及图像方差的变化范围来判断光照突变情况的发生，并引入减缓因子来改进模型。实验结果表明，与传统检测方法相比，改进方法误检率更低，检测准确度更高，稳健性更强，更能有效解决智能安防监控系统中光照突变及红外模式过渡导致的误报问题。