【摘 要】
：
在电磁兼容(EMC)测试中,利用摄像机代替人眼监测显示器件,有利于提高检测效率。而目前基于图像的显示器件模板匹配算法大多根据经验设定单一相似度阈值,对于不同设备不同器件,多目标定位效果不稳定。针对上述问题,采用基于标准相关性系数的灰度模板匹配定位算法,通过自适应局部极值检索算法求取最优匹配相似度阈值,对于不同类型、不同定位数量的待定目标,定位成功率均在90%以上,可以完成显示器件的多目标匹配而无需
论文部分内容阅读
在电磁兼容(EMC)测试中,利用摄像机代替人眼监测显示器件,有利于提高检测效率。而目前基于图像的显示器件模板匹配算法大多根据经验设定单一相似度阈值,对于不同设备不同器件,多目标定位效果不稳定。针对上述问题,采用基于标准相关性系数的灰度模板匹配定位算法,通过自适应局部极值检索算法求取最优匹配相似度阈值,对于不同类型、不同定位数量的待定目标,定位成功率均在90%以上,可以完成显示器件的多目标匹配而无需人工干预,具有通用性强的优点。
其他文献
强监督识别算法需要大量的人工标注信息,消耗较多的人力物力资源。为了解决上述问题,满足实际需求,提出了两种基于弱监督信息图像识别方法用于细粒度图像分类(FGVC)。一种是联合残差网络和Inception网络,通过优化卷积神经网络的网络结构提高捕捉细粒度特征的能力。另一种是对双线性CNN模型进行改进,特征提取器选取Google提出的Inception-v3模组和Inception-v4模组,最后把不同
汉字识别是人工智能与模式识别领域中重要的研究内容,针对现有的研究仍然存在着参数调整难度大、训练样本数少、不能识别所有常用字符等问题,提出了一种基于字符编码与卷积神经网络的汉字识别方法,首先通过查询字库得到所有字符信息,以utf-8编码方式与多种字体编码文件进行编码输出字符图像,再进行多种图像处理后得到数据集,并利用深度卷积神经网络进行训练识别,在网络训练中通过数据扩增、批标准化、RMSProp优化
目前基于互联网各类图像以及人工智能应用对图像数据质量较为敏感,但由于采集设备以及传输方式限制,导致图像质量受到非常严重影响,为了弥补图像数据质量损失和增强图像效果,提出一种并行交错上下采样网络(parallel interlaced up and down sampling network, PSUDN)作为一个解决该问题的更好的方案,利用并行的高分辨特征(high resolution feat
现有的同步定位与地图创建(SLAM)算法在动态环境中的定位与建图精度通常会大幅度下降,为此提出了一种基于动态区域剔除的双目视觉SLAM算法.首先,基于立体视觉几何约束方法判别场景中动态的稀疏特征点,接下来根据场景深度和颜色信息进行场景区域分割;然后利用动态点与场景分割结果标记出场景中的动态区域,进而剔除现有双目ORB-SLAM算法中动态区域内的特征点,消除场景中的动态目标对SLAM精度的影响;最后
针对现有基于深度学习的视频追踪算法关注深层特征而忽略浅层特征以及追踪网络没有对每帧追踪结果进行检测的问题,提出基于校正神经网络的视频追踪算法。该算法包含追踪网络和校正网络。在追踪网络中,考虑到深层特征和浅层边缘特征的融合,设计一个多输入的残差网络,学习目标和对应的高斯响应图之间的关系,从而获得目标对象的位置信息。在校正网络中,设计浅层链式判别网络,将两个网络的追踪结果进行比较,根据比较结果对追踪网
针对传统的块匹配去噪方法只能处理二维图像的缺点,提出一种基于三维剪切波变换和改进的三维块匹配过滤(block-matching and 4D filtering,BM4D)算法的图像去噪方法。利用三维剪切波变换得到变换域系数,通过硬阈值和维纳滤波,在变换域中实现联合过滤。经过多尺度分解和方向剖分两个滤波阶段,确保三维剪切波变换是局部的;进行硬阈值和维纳滤波,分别包括分组、协同过滤和聚合3个步骤,利
针对地/海面目标红外探测、识别、跟踪、制导系统等论证和仿真系统设计需求,在地/海面目标红外特性基本建模方法基础上提出一种基于实测数据的目标/背景光谱热特性数值统计分析方法并构建工程化地/海面目标场景生成系统。通过目标、背景、传输、传感器模型4项的集成设计,最终建立起车辆与地面背景、舰船与海天背景红外场景生成的红外模拟模型。实验结果表明,所设计的红外场景生成技术无论是对地面目标还是海上目标,均能够提
为了提高LoRa技术的通信距离,提出了一种基于Turbo码和正交二分峰差(ODPD)判决法的LoRa改进方法。首先设计了一个基于Turbo码的编码方案,提高LoRa的接收灵敏度,从而提高了LoRa通信距离;然后以LoRa的频移啁啾调制(FSCM)技术为基础,提出正交二分峰差判决法,改进现有LoRa技术的解调方法,进一步提高系统接收灵敏度和通信距离。实验表明,在相同条件下与现有LoRa技术相比,该改
针对自然场景标签图像背景复杂、目标区域形式多样、色调单一、空间集中等问题,提出了一种基于笔画宽度特征和剪枝算法的自然场景标签检测方法。根据图像的特点,首先利用阈值法和启发式规则,初步筛选出字符候选区;然后通过设计的笔画宽度特征提取算法,获得每一个候选区的文本相似度,融合基于惩罚函数的剪枝算法实现背景区域的滤除,得到进一步分割后的标签检测区域;使用形态学处理和区域面积的细分割后,最终生成目标检测图像
针对高速与高精度场景下芯片缺陷检测实时性和准确性难以同时保证的问题,提出一种基于方位环境特征的点模式匹配定位算法(Azimuth Environment Feature Vector-Based Point Pattern Matching Localization Algorithm,AEF-PPMLA),提升检测的实时性、准确性和易用性。该算法含两个部分:方位环境特征向量计算方法(Azimut