6篇关于图像检测的计算机毕业论文

今天分享的是关于图像检测的6篇计算机毕业论文范文, 如果你的论文涉及到图像检测等主题,本文能够帮助到你

基于嵌入式Linux的运动图像检测技术研究

这是一篇关于嵌入式Linux,图像检测,智能家居,ADSP-BF609的论文, 主要内容为运动图像检测是视频监控系统向智能化发展的一项重要研究内容。论文研究了基于ADSP-BF609的小型智能家居监控系统的设计与实现。系统针对无人看守的设施、家居及办公场所进行实时智能监控,让人工监控从枯燥的监控中得以摆脱。本文深入研究了运动图像检测的常用方法,包括光流法、背景差法和相邻帧差法的基本原理。在Visual Studio 2010开发环境下通过配置OpenCV视觉库进行仿真验证各种算法的优缺点。系统选取BF609双内核处理器作为运动图像检测硬件的处理核心,按照模块化思想,结合运动图像检测系统实现的功能要求,给出了视频采集、图像预处理、外部存储、视频输出、系统报警等功能模块设计方案。通过BF609板上的TWI接口对摄像头OV9650控制寄存器的初始化实现图像质量控制,通过并行扩展接口EPPI1及其专用的DMA控制器进行参数配置完成图像采集存储,通过对PIXC处理单元的参数配置,实现YUV到RGB的图像格式转换,视频编码芯片(CH7024)完成视频编码输出,音频编解码器(SSM2603)实现报警功能。论文采用嵌入式Linux操作系统为平台,在PC机上建立了一套完整的交叉开发环境,并在该环境下完成了U-Boot和blackfin buildroot系统到运动图像检测硬件平台的移植。为了充分利用DSP双核资源,系统总体软件采用非对称程序设计模式,在CORE0上主要完成控制功能,包括操作系统运行、片上外设的初始化、视频图像输出以及报警功能程序的实现,而将图像处理的复杂任务放在CORE1上处理,主要包括图像采集和图像处理功能,两核之间通过MCAPI协议进行通信。结合嵌入式Linux程序开发的特点,编写了相关硬件驱动、视频采集和输出等软件程序,移植了运动图像检测程序,实现运动检测及报警等功能。完成系统测试平台搭建,对运动目标检测系统进行测试,结果表明该系统能够对运动目标进行有效地检测并作出相应的报警响应,具有一定的实时性和稳定性。为了提高运动图像检测系统的适用性,可以进一步增加人脸识别,网络通信等功能。

基于图像处理的水稻病虫害检测研究

这是一篇关于水稻病虫害,图像检测,支持向量机的论文, 主要内容为水稻作为我国主要的粮食作物,已经渗透到了农业生产和人民生活的方方面面。在水稻生长过程中,由于病害、虫害等客观因素的存在,对其高质高产产生了不利影响。随着智慧农业的日益发展,虽然传统的人工检测方法正在逐步被基于机器学习的检测方法取代,但是由于目前实际投入使用的检测系统运行比较复杂,农户对计算机检测知识的了解还不够深入,这些系统在广大农村无法得到很好地推广和普及。本文研究区设在如东县马塘镇尊三村,通过实地走访,采集了多种水稻病虫害图像总计1217张,分别提出了:基于LC显著性检测算法和OSTU算法相结合的病虫害图像分割方法,基于灰度共生矩阵、颜色矩、HU不变矩相结合的病虫害图像特征提取方式,基于RBF核函数的PSO-SVM模型的病虫害图像识别方式,并基于此设计出简单实用的水稻病虫害检测系统。具体研究内容及成果如下:(1)水稻病虫害图像的采集和预处理。本研究选择利用华为mate20和oppo findx3智能手机,于2021年的6月初至9月水稻病虫害多发季节,以如东县马塘镇尊三村多块农田为对象,在自然光照下分别拍取水稻病虫害图像总计1217张,并对采集到的图像进行预处理。首先,使用MATLAB2016b对病虫害灰度图模拟了不同函数的去噪实验,得出去噪效果较好的高斯滤波作为本文图像去噪的研究方法;其次,采用几种不同的图像分割方式分别对采集到的水稻病虫害图像进行分割,发现在利用LC显著性检测算法进行分割的基础上,结合OSTU算法再次进行阈值分割的方法得出的结果最优;最后,将分割得到的图像进行开闭运算,尽最大程度保留住水稻病虫害图像的真实形态。(2)基于SVM模型的病虫害图像检测识别。本文分析了SVM识别方法,提出了改进后的基于粒子群算法优化的SVM识别方法。对收集的图像进行筛选,挑出稻瘟病、稻曲病以及卷叶螟为害状图像,按照四比一的比例选取训练集样本共计568幅,测试集样本共计142幅,干扰图像114幅,通过原始SVM和改进后的SVM,分别对单一或多种图像特征参数进行操作,得出PSO-SVM模型对颜色和形状的融合特征进行识别时,训练准确率最高。(3)水稻病虫害检测系统的开发。本文对系统可行性进行分析,确定系统的主要功能,并在前文研究的最优支持向量机识别模型的基础上,开发出采用基于J2EE技术体系的通用Spring架构和SOA设计理念的检测系统。系统主要是采用前后台系统交互及与外围系统交互统一基于http协议实现,前端使用React+Antd+Umi架构,后台传输图像数据到服务端,调用已经提前打包到服务器的图像识别程序,对水稻病虫害图像进行分割和特征提取,从而进行识别检测。本文研究的检测系统平均诊断正确率为94.525%,诊断时间约为7秒,各项功能基本能够达到预期目标,与传统检测模式相比,具有实用性强、识别性高、操作容易等特点,便于水稻种植户使用,可以为他们提供及时、有效、无损的防治建议,能够满足大数据背景下的农业种植需求。

基于深度学习的宫颈癌细胞检测方法研究

这是一篇关于宫颈癌细胞,图像分析,图像检测,迁移学习,智能检测系统的论文, 主要内容为宫颈癌是女性中最常见,最致命的癌症之一,严重危害着女性健康。对宫颈癌的智能筛查诊断研究有助于提升宫颈细胞筛查的准确性,减少宫颈癌对女性健康的威胁。基于深度学习的卷积神经网络模型需要大量数据进行训练,但是有标注的大型宫颈细胞图像数据集难以获取,本文提出使用不同源域的迁移学习模型对网络进行初始化,并在此基础上进行了一系列的探索,提升了网络模型在该研究中的检测性能。最后结合本文的研究成果设计与实现了宫颈癌细胞智能检测系统。本文的主要研究工作包括:(1)提出基于迁移学习的宫颈癌检测模型。为更好的处理训练时有限数据集问题,考虑到检测任务和分类任务的差异,不同于其他相关研究多使用Image Net预训练模型,本文在研究中使用COCO预训练模型。为进一步提升模型的检测性能,根据数据集实际情况进行了多尺度训练。分析不同边框损失对模型检测性能的影响,证明使用与预训练模型类型一致的边框损失,有助于模型性能的提升。分析不同源域数据的Mean和Std做图像预处理对模型性能的影响,证明使用当前研究所用的宫颈细胞图像数据集的Mean和Std时,模型性能最优。最后在基于Backbone为Res Net50的Faster R-CNN算法模型上,m AP为61.6%,AR为87.7%。相比于所用数据集的当前结果,分别提升了12.8%,23.7%,模型检测性能得到了显著提升。Retina Net算法也验证了本文方法的有效性。(2)探究不同骨干网络对宫颈细胞图像检测性能影响。本文考虑到不同骨干网络对当前检测任务的影响,基于不同骨干网络进行了相关研究,寻求适合当前检测任务的最佳骨干。本文方法在基于Backbone为Reg Net的网络模型上,m AP值达到61.8%,AR值为87.5%,网络参数量Params为38.16M,模型检测精度与速度都得到提升。(3)设计与实现了宫颈癌细胞智能检测系统。系统可以与用户进行友好交互,并能有效的识别和定位出宫颈细胞图像中病变的细胞,实现对宫颈细胞图像的智能检测。

基于图像处理的水稻病虫害检测研究

基于图神经网络的目标检测与识别算法研究

这是一篇关于图像检测,图卷积网络,门控图神经网络,知识图谱,超像素的论文, 主要内容为图神经网络(Graph Neural Network)是一种作用于图状数据结构上的深度神经网络。本质上,图神经网络通过了图节点之间的信息传递,从而捕捉到全局图的结构信息。其中,每个节点在其卷积层中聚合了来自邻居节点的特征。本文将图神经网络方法应用于计算机视觉领域中的目标检测与识别任务之中。该任务要求定位特定图片中物体的位置,并通过识别算法给出物品的类别标签。目前,常用的目标检测与识别模型往往基于卷积神经网络(Convolutional Neural Network),该类模型大多仅能通过分析图片底层的像素信息进行物体的定位与分类识别。而基于图神经网络的方法能够依靠图片的空间位置或者语义信息对物体进行检测。该类算法的好处在于通过构建图状数据结构(如空间图,知识图谱,超像素图),模型能够获得额外特征。而这些特征又能辅助提高目标检测与识别的精准度。因此,本文提出了多个算法并深度讨论了图神经网络在目标检测与识别上的应用。首先,本文提出了基于图像空间信息的图神经网络算法。该网络通过依靠图像自身的物体空间关系,对物体的类型以及具体位置进行合理的判断。模型采用了双通道结构,以U-NET为像素模块提取图像像素信息,并以图卷积网络提取图像空间关系。最后通过一个特殊的门控机制将两个特征相互融合得到最终的输出。其次,本文提出了基于超像素的残差图神经网络算法。该算法通过聚类图像中的像素点,将大规模的像素数据转化为几十个超像素块实现了任务规模的压缩。模型通过超像素块的位置与像素关系构建超像素图。并采用了基于残差的图神经网络结构,解决了图神经网络的过平滑问题。实现了对目标的检测任务。本文还提出了基于知识图谱的门控图神经网络算法。通过知识图谱进行语义级别的推理,实现了对难以识别的物体的精准判别。模型还通过研究知识图谱上点的相似度,提出了语义一致性模型,该模型能够更为精准的判定图像是否适合进行知识推理,以此进一步提高模型的识别性能。最后,本文基于COCO数据集以及VG数据集设计了多个对比实验。数据表明,基于图像空间信息和基于知识图谱的目标检测与识别模型在识别性能上较基线模型有大幅的提升。而基于超像素的目标检测与识别模型也能有效减少模型的浮点运算量,减小模型的复杂程度。