基于STM32的嵌入式智能视觉数字识别实验装置

开发了一种基于STM32的嵌入式智能视觉数字识别实验装置,该实验装置实现了对数字字符的视觉识别。基于STM32的嵌入式数字识别实验装置采用了MDK5软件进行开发,其中包括获取图像信息、图像信息预处理、定位图像的数字字符区域、分割字符及归一化、识别字符等。嵌入式数字识别实验装置可以定位图像的数字字符区域,对字符区域的数字字符进行识别,将识别出的数值通过ESP8266-WiFi模块,可实时发送到手机端。该实验装置融合了机器视觉、数电、模电及单片机应用等多方面的知识,具有一定的延展性和创新性,可锻炼学生的实践能力和创新能力,有利于培养具有工程应用及技术创新能力的高素质复合型新工科人才。     

飞机调姿测量点的激光跟踪仪可视化定位

飞机部件装配过程中调姿测量点的可视化定位是实现飞机自动化装配的重要部分。可视化定位系统是由高清摄像头和激光跟踪仪两部分组成。本设计基于OpenCV软件对摄像头采集的视频流进行图像处理,在摄像头视野中自动搜寻目标靶点位置信息,对目标点进行交互式选定。再经过图像处理过程提取出激光光斑,得到光斑像素坐标,由激光跟踪仪进行激光的跟踪控制,采用逐次逼近算法将激光点跟踪到目标点。     

基于Contourlet变换和支持向量聚类的遥感图像融合方法

Contourlet变换作为新的多尺度分析方法比小波变换更适合分析二维图像的边缘特征,而支持向量聚类算法所获得的聚类效果不受聚类形状限制,也勿需预先给定聚类数目等参数。据此提出了一种基于Contourlet变换和支持向量聚类的遥感图像融合方法。首先对源图像进行Contourlet变换,再对其高频系数利用支持向量聚类进行融合,最后进行图像重构得到融合结果。给出了实验结果,采用均方差、信噪比、信息熵、空间频率、清晰度和相关系数等评价指标对融合效果进行了定量评价,并与加权平均法、现有的基于Contourlet变换的图像融合方法以及基于支持向量聚类的图像融合方法进行了比较。结果表明提出的基于Contourlet变换和支持向量聚类的遥感图像融合方法能取得更优越的融合效果。
     

基于YOLOv4的无人机航拍视频实时检测

相对于其他检测器，YOLOv4具有较高的检测准确度和速度。通过对离线航拍视频截取关键帧组成样本图片，按照检测目标类型对图片包含的目标进行分类，再使用labelimg工具对样本图片进行标注，最终形成所需的训练数据集。实验中采用迁移学习方法对数据集进行训练，实验结果表明，训练生成的模型在测试集上平均均值精度（mAP）达到62.77%，召回率（Recall）达到90.25%，在配备NVIDIA P4000显卡的计算机上可达到每秒20帧的检测速度，满足实时目标检测需求，可应用在实际工程实践中。     

结合极化自注意力机制的空间目标位姿估计

利用深度学习强大的特征提取能力和残差网络的捷径反馈机制，设计了端对端的图像位姿估计方法。该方法提高网络特征的学习能力，将Polarized Self-Attention注意力模块嵌入到残差网络ResNet-50中，对空间目标图像中的空间信息进行了增强。由于空间目标的位置和姿态信息相互独立，将其分为两个不同的网络结构分支通过回归分别得到两者的信息。其中，在姿态信息回归分支中，对姿态信息进行软分配编码，相比直接回归有效减少了姿态误差。最后在URSO空间目标图像数据集上进行了实验验证，所提算法对空间目标位姿估计取得了更好的估计结果。     

一种基于红外热成像的温度异常定位算法

温度异常检测难度大，危险系数高等问题，本文提出了一种基于红外图像面阵传感器的传统与人工智能算法相结合的算法。实验表明，本文的算法在一定程度上能够很好地实时检测目标的温度和精确定位。     

一种采用行列聚类并行的星像坐标提取方法

为了提高星敏感器的数据更新率,必须减少星像坐标的提取时间。在提取星像坐标的过程中,现有基于FPGA的方法虽然避免了星图保存和读取过程,然而需要高性能的FPGA才能实现。为此提出了一种采用行列聚类并行的星像坐标提取方法,将逐个像素聚类的方式优化成像素队列聚类的方式,实现了对恒星星像坐标的实时提取,可以解决现有的实时提取星像坐标方法中像素输出时钟与处理时钟不匹配的问题,达到1个时钟周期处理完1个像素的目的,从而减少了星像坐标的提取时间,提高了星敏感器的实时性。最后把该方法嵌入到某星敏感器系统中,实验结果表明,与现有基于FPGA的实时提取星像坐标方法相比,在相同工作频率且不降低星像坐标提取精度的前提下,提取时间仅为现有方法的21.1%,数据更新率提高了近5倍。因此,该方法不但具有实时性,而且具有较好的鲁棒性。     

基于改进SSD算法的航拍目标检测算法研究

研究基于深度学习技术的无人机航拍图像目标检测算法，首先介绍目标检测算法SSD（Single Shot MultiBox Detector），并对其特征提取网络进行改进，采用稠密特征提取网络替换原网络的主干特征提取网络，提高算法的特征提取能力，从而提升了算法的检测精度。针对网络实时性问题，在算法中引入分组卷积，极大地减少了网络参数量，提升了网络推理速度。为解决训练中出现的正负样本不均衡问题，利用焦点损失（Focal Loss）改进了原算法的损失函数，进一步提升了网络的收敛速度和精度。最后，通过仿真验证了改进算法在目标检测精度上的优越性。     

采用局部约束线性编码的像素级舰船目标图像融合

为了提升视觉信息在低能见度条件下的适用性,提出了一种采用局部约束线性编码的像素级舰船目标图像融合方法.首先,采用K均值奇异值分解算法从海量的训练样本中完成过完备字典的学习.其次,在考虑着舰导引实时性任务需求的前提下,采用局部约束线性编码完成融合系数的非迭代求解,相较于压缩感知理论架构下的匹配追踪算法,极大地降低了计算复...