基于ZYNQ的屏幕缺陷检测系统研究与实现
这是一篇关于缺陷检测,FPGA,HLS,图像处理的论文, 主要内容为随着电子产品的广泛应用,在电视、电脑、手机等显示领域随处可见液晶屏幕的身影,液晶屏幕的需求在日益增长,大量生产过程中屏幕质量检测需满足准确性和实时性。人工检测的方法是通过人眼进行检测缺陷,其效率低下且准确率较低;传统机器视觉检测的方法是通过在PC机上运行图像处理算法来实现对屏幕的缺陷检测,但其在性能、成本以及稳定性等方面难以满足工业生产的需求。针对人工检测和传统的视觉检测系统存在准确率低、稳定性差、硬件体积大以及成本高的问题,本文提出一种基于Zynq平台即FPGA+ARM架构,利用FPGA技术实现图像处理算法,以此来满足液晶屏幕缺陷检测准确性和实时性的要求。论文主要工作如下:(1)根据目前屏幕缺陷检测系统需求,规划设计了基于FPGA+ARM的异构平台通过软硬协同的设计方式实现缺陷检测系统,系统关键构成包含四个部分:图像采集、图像处理检测、图像缓存以及图像显示。除图像显示的可视化界面借助QT软件设计,其它主要功能均由硬件IP核实现。(2)研究目前缺陷检测系统中采用的图像预处理算法和缺陷检测算法。通过对比分析,在预处理算法中,采用加权平均值法进行灰度化处理;采用中值滤波去噪;使用自适应阈值分割确定最佳分割阈值;采用开运算操作来平滑缺陷部分。论文设计并实现基于像素扫描的多目标检测算法,仿真验证表明该算法可以实现缺陷的检测和定位,准确度较高且易于硬件部署。(3)使用Vivado HLS工具设计实现预处理算法,使用Verilog硬件描述语言设计实现缺陷检测算法,各算法均通过RTL验证。在实现预处理算法时,确定采用像素级的处理粒度,设计了以存储窗口和行缓冲区的存储架构,通过对循环和函数进行流水化以及分割数组的方式来实现算法优化;采用VDMA实现数据的缓存,设计使用三个独立的VDMA,分别与采集模块、处理检测模块和显示模块相连,各VDMA采用多帧缓存的方式并行缓存数据,以此来提高数据吞吐量,进而提高系统的运行速度。论文对系统中各自定义IP模块进行了严谨地仿真和功能验证,根据硬件信息定制自定义系统。经系统测试和分析,在100MHz的时钟频率下帧处理速率为30.6Hz,准确率为89%,总功耗为2.05W。检测系统通过现场测试,验证了其可行性。
基于卷积神经网络的COVID-19检测算法研究
这是一篇关于COVID-19,深度学习,集群算法,特征融合,图像处理的论文, 主要内容为中国疾病预防控制中心近日发布各省市阳性人数统计报告,报告显示截止2023年3月2日,全国每日新增阳性约1.1万例。COVID-19检测是切断病毒传播链和守护生命健康的有效手段,因此通过对目标群体的CT图像识别来检测病毒感染情况具有重大意义,而且有利于为患者制定后续诊疗方案。深度学习Mobile Net V3模型具备准确、高效和参数量少的特点,适合解决COVID-19检测过程中的复杂问题,因此本文基于Mobile Net V3模型对COVID-19检测问题展开研究。主要研究内容如下:(1)针对深度学习模型在CT图像检测领域存在计算复杂度高、检测准确率低等问题,提出了一个基于深度学习和群集算法的混合检测轻量化模型(MCDANet)。MCDANet使用改进Mobile Net V3模型作为特征提取方案,使用算术优化算法作为特征选择方案。特征提取阶段,首先采用级联分支残差网络代替传统Mobile Net V3模型中的残差网络,减少网络中间层的重复特征映射;然后,使用双通道特征提取路径提取瓶颈块中的特征,获取更多的空间信息,使模型具有较好的异常检测性能;最后将双通道特征提取路径中的DW卷积核都替换为3×3的尺寸,使每个瓶颈块中的复杂度降低了47.1%。特征选择阶段,首先根据随机值和数学优化加速MOA函数的关系,选择搜索范围;其次在探索阶段,利用乘法和除法运算符在全局范围内探索解的空间;最后在开发阶段使用加法和减法运算符对解深度搜索,在求得解的局部范围内寻找最优解。(2)针对初期COVID-19患者CT图像肺部特征不明显导致难以被有效检测的问题,设计了患者CT图像特征的融合算法(NPL),结合MCDANet模型进行COVID-19检测(IFIMNet)。NPL算法首先利用NSST将源图像分解为高频和低频子带。其次根据图像的最高灰度和灰度分布对PAPCNN算法的时间衰减因子00))完成最优化方法配置,将优化后的参数值代入PAPCNN中实现高频子带融合;同时采用潜在低秩表示算法融合低频子带系数,更好地保护了图像低频子带的显著信息。最后,将经过NSST逆变换得到的融合图像构成全新的数据集,训练检测模型,完成COVID-19检测。经实验证明,MCDANet在COVIDx CXR-3 Dataset和Chest X-Ray Images数据集上的检测准确率分别达到了97.85%和98.35%;IFIMNet在数据集CXR COVID-19上检测准确率达到了98.73%,相较于MCDANet模型提升了1.58%。本文提出的两种方法在COVID-19检测场景中能够有效降低网络计算复杂度并获得较好的检测准确率。
基于改进U-Net的无人机作物图像病害识别方法
这是一篇关于病害识别,边缘检测,轮廓跟踪,图像处理,迁移学习的论文, 主要内容为在农业生产中,植物病害是影响农作物最终产量和品质的一个关键因素,因此及时准确地检测出作物的病害情况,在农业领域意义重大。以往对于农田作物病害的检测十分依赖专业的植保人才,近年来,通过无人机进行数据的快速采集,之后再利用深度学习、数字图像处理等技术对图像进行病害识别的方案得到了越来越多的关注。本文针对在使用图像实例分割模型进行叶片级别的病害识别时需要进行大量标注的问题,提出了一种先通过叶片边缘将密集叶片图像分割为单张叶片,再进行叶片病害分类的方法,以此来完成密集叶片图像的病害识别问题。本文主要从下面三个方面进行研究:(1)为得到清晰准确的叶片边缘,在对无人机采集的密集叶片图像进行分析后,提出了一种基于改进U-Net的边缘检测模型,该模型与U-Net网络相比更关注图像的层次信息,并且模型参数量更少,通过实验发现改进后的模型在对密集叶片图像进行边缘检测时表现良好。(2)为利用边缘检测的结果生成具有纯净背景的叶片图像,使用Suzuki轮廓跟踪算法得到封闭轮廓的坐标和轮廓间的关系,之后利用泛洪填充、图像取反以及掩码处理等传统图像处理技术排除掉干扰轮廓,最终得到具有纯净背景的叶片图像。该方法过程清晰明确有较强的实用性,对于今后开展相关研究有一定的借鉴意义。(3)为使叶片病害分类的研究更具实用价值,使用了迁移学习的相关技术,在自建数据集上讨论了不同的模型、不同的参数迁移方式对于预测准确率的影响,最后对于病害分类这一问题给出了参数迁移的使用建议。
基于SVM分割的核磁共振脑组织图像处理
这是一篇关于SVM,图像处理,压缩感知,图像压缩,远程医疗的论文, 主要内容为在人体的大脑组织中,脑白质占据较大的区域,同时,在人体的思维等功能也占据重要的作用。鉴于大脑核磁共振脑组织图像可以较好的检测出脑白质病变,鉴别早期或轻微脑白质病与精神疾病。本文针对大脑核磁共振图像,使用人工智能中的模式识别技术,自动地将大脑核磁共振脑组织图像中的脑白质区域分割出来。鉴于计算机网络中的图像数据存储及远程医疗的实现,本文还利用图像数据压缩技术及计算机网络技术,对分割后的图像进行压缩,使用计算机的网络平台,将检查结果等放到网络平台数据库中,方便病人和医生对检查结果进行查看研究。 在大脑核磁共振脑组织图像的自动分割方面,基于灰度共生矩阵和灰度特征值,本文提出了一种针对SVM技术的医学图像快速分割方法。在特征值提取的方面,降低了特征值维数,并提高了运算速度和分类正确率。另一方面,在一张图像样本的基础上,通过选取其轮廓等作为特征值,并利用间隔采样的方法对SVM进行训练,可以实现对多幅同类图像的分割,在减少样本数量的同时,避免了因样本过多而造成的运算效率低下的问题。仿真实验表明,通过对某一层像素点的主要特征值作为训练样本,对本层的分辨率可达到90%左右,其他相似层的分类正确率可达到80%以上,并且能够有效的还原出病变区域,大大提高了运算效率。同时,在图像数据存储方面,使用基于小波变换的压缩感知方法将分割后的图像背景区域进行压缩,可在PSNR=20.49的条件下,将背景图像数据压缩为原图像的1/4,获得了较高的压缩比。同时结合huffman编码对分割后的脑白质区域进行无损压缩,压缩比可达到60%左右,很好的保留了脑白质区域。 在java web网络平台上,本文从远程医疗方面出发,设计并开发了一套针对病人检测的监控平台。该平台的设计从两个方面进行,分别实现了调用图像处理模块和结果信息查看模块。在调用图像处理模块中,利用python语言自动定时运行matlab进行图像分割及图像压缩运算,同时连接mysql数据库,部署图片到mysql数据库中。结果信息查看模块,使用MVC设计模式,jsp建立视图模块,java servlet建立控制模块,JavaBean建立模型模块。结果信息查看模块,通过将图片变成二进制数据流,传输到前台jsp页面中。通过信息查看模块,病人和医生可以查看病人的一系列大脑核磁共振检测结果,实现了远程医疗的应用层。这个管理系统的数据库是mysq1,实现语言是java, python,浏览器页面语言是jsp和Dojo。该平台完成后,可以在大脑核磁共振的仪器中装入相应的软件和脚本,对病人检测后,远程的医生可以通过浏览器连接web,自动查看到病人的检测信息,并查看到病人相应的过往记录,方便对病情的研究,同时病人也可以查看自己的检测结果。
基于图像识别的耐张线夹压接缺陷检测方法研究
这是一篇关于图像识别,电力巡检,YOLO算法,耐张线夹,图像处理的论文, 主要内容为耐张线夹是架空输电线路中连接绝缘子和导线的部件,耐张线夹的压接缺陷会直接影响线路运行安全甚至导致电网的大面积瘫痪。因此,输电线路运维工作中提高耐张线夹压接缺陷的检测效率和检测精度是预防事故的关键。本文对耐张线夹压接缺陷的智能检测方法进行研究,提出了基于X射线图像识别的检测方法,能够完成耐张线夹防滑槽压接缺陷的自动识别。完成了针对耐张线夹防滑槽压接缺陷X射线图像的采集与标记并通过几何变换和像素变换对图像样本进行扩增,通过中值滤波对图像进行去噪处理,利用基于拉普拉斯的图像锐化方法和直方图均衡化方法对图像进行边缘信息增强和对比度增强;利用搭建的检测模型进行验证,结果证明图像增强能有效提高检测精度,针对耐张线夹的X射线图像,Laplace算子提取边缘的效果优于Sobel算子、Prewitt算子。在对当前目标检测算法分析基础上,采用了基于YOLOv3的模型检测耐张线夹缺陷。针对YOLOv3模型在训练过程中正负样本比例不均衡问题,使用Focal Loss改进YOLOv3损失函数降低负样本和难区分样本对检测结果的影响,结果表明基于YOLOv3的模型对耐张线夹防滑槽压接缺陷测试数据集的识别精度为89.65%,检测速度为每秒20张图像,取得了较好的识别精度和检测效率;为进一步提高检测精度,提出图像自动切割的分层检测方法,通过基于Mobile Net-YOLOv4的模型对图像进行预检测和防滑槽区域定位,根据定位坐标实现防滑槽区域的自动切割,用基于YOLOv3的模型对切割后的图像进行缺陷检测,结果表明分层检测模型在检测速度略微降低的情况下进一步提高了识别精度。
基于机器视觉的球笼防尘罩缺陷检测系统设计
这是一篇关于机器视觉,图像处理,缺陷检测,球笼防尘罩的论文, 主要内容为球笼防尘罩是套在汽车球笼外部的橡胶套,其可以避免汽车行驶过程中激起的灰尘和石子进入球笼妨碍驾驶安全,还可以防止润滑油泄露降低球笼寿命。因此对球笼防尘罩进行质量检测,及时地从生产端剔除有缺陷的防尘罩,就显得非常重要。本课题为解决球笼防尘罩人工质检效率低下的问题,对汽车球笼防尘罩的自动缺陷检测系统进行了设计与实现。首先,本课题对机器视觉技术的应用现状和缺陷检测算法的国内外发展动态进行了调研。其次结合调研结果和对防尘罩物料缺陷的细致分析,对球笼防尘罩缺陷检测系统进行了整体设计。将整个检测系统分为了图像采集、图像处理和中控、执行三个模块。接着,对检测系统的硬件部分进行了设计。完成了对工业相机、相机镜头、光源和执行机构的选型,以及控制系统和通信系统的逻辑设计。利用实验室硬件搭建起了图像采集的测试系统,并展示了实际的检测装置。之后,完成了对小口内部毛刺缺陷检测算法和工控软件的设计实现。利用改进的OTSU算法以及其他图像预处理算法对缺陷特征进行增强。接着通过启发式边缘搜索得到小口内部精确的边缘点。然后利用评分机制和最短步长原理对相似度进行拟合从而对缺陷物料进行判别。随后按照“低耦合高内聚”的原则对工控软件进行了整体设计,并在.NET Framework框架平台上进行了功能实现。最后,对本缺陷检测算法、基于EDCircle的检测算法及其改进算法进行了对比实验。从算法的检测效果和运行效率两方面对算法性能进行测试。以F1分数、误检率、漏检率以及每张图像的处理时间作为算法的评价指标。在70个物料,共837张图像上的实验结果表明,本缺陷检测算法相对于基于EDCircle的检测算法具有更好的缺陷检测精度和速度。
本文内容包括但不限于文字、数据、图表及超链接等）均来源于该信息及资料的相关主题。发布者：毕设客栈 ，原文地址：https://m.bishedaima.com/lunwen/45412.html
