为了有效地解决墙纸在生产过程中印刷涂层厚度在线检测问题，以达到提高墙纸产品生产质量和生产的效率的目的，本课题对墙纸印刷涂层厚度在线检测问题进行了研究。基于激光传感器原理，以TI公司的TMS320F2812DSP芯片为核心处理器，解决涂层厚度测量的一系列问题。该系统能够实现在线动态检测和非接触测量。
上传时间： 2013-10-21
上传用户：iswlkje
针对三维视觉测量中棋盘格标定板的角点检测，给出了基于单应性矩阵这一计算机视觉重要工具为基础的检测方法。首先通过点选得到待测角点外接四边形的4个角点坐标，接着利用单应性矩阵映射得到所有角点的初始位置，最后综合内插值法、Harris算子、Forstner算子、SVD方法等方法对所有角点进一步精确定位。实验表明，该方法对棋盘格角点位置检测效果好，能够满足实际应用要求。
上传时间： 2013-11-23
上传用户：zhichenglu
针对目标和背景具有空间连续性的特点，提出一种基于核密度估计和马尔科夫随机场的运动目标检测方法。首先利用核密度估计计算像素点属于背景的概率密度，在特征向量中加入颜色空间运动矢量分量来提高对背景扰动和光照变化的鲁棒性；然后构造马尔科夫随机场，提出一种马尔科夫随机场能量函数代价项的构造方法，通过最小化其能量函数得到目标分割结果。实验结果证明，该运动目标检测算法对背景扰动和光照变化具有更好的鲁棒性，错误检测率更低。
上传时间： 2014-01-20
上传用户：solmonfu
小波变换在电力系统谐波中的应用，与谐波本身的特性是直接相关的，要得到实时性和精确性都较高的检测效果就需要对电力系统的谐波特点，小波在这方面的应用原理有深刻的理解。文中对此在作了深入分析的基础上，还重点研究了采用小波变换研究谐波检测的主要因素，用仿真验证其影响效果。最后针对目前的研究成果论述小波在谐波检测应用中的发展，为小波变换在分析有效、精确、可靠的电力谐波检测方法提供研究思路。
上传时间： 2013-11-21
上传用户：yuanxiaoqiang
基于帧差的慢镜头检测的文章，感觉很不错，改进了检测方法，适合做相关毕设的同学看一下，slow-motion,slow motion detection
上传时间： 2016-03-06
上传用户：2467478207
本文系统的介绍了多用户检测技术，包括（MMSE,LMS,解相关等检测方法），个人觉得不错
上传时间： 2017-01-15
上传用户：wweqas
关于检测的一篇很好的文章，值得一看，里面的检测方法比较好，效果不错
标签： 检测
上传时间： 2013-12-28
上传用户：风之骄子
干耦合超声检测方法由于无需在待检测材料表面涂抹水或油等液体耦合剂，操作方便，移动灵活，适用于固体火箭发动机壳体、飞机机翼等一些对结构完整性要求较高且需要长期使用或贮存的部件。当利用干耦合方法对复合材料平板结构进行检测时，激发出的Lamb波携带有大量结构或缺陷的信息，如缺陷的类型、大小、位置等，采用合理的分析方法提取出信号中的有用信息，就能对材料中的损伤做出评估。
上传时间： 2021-10-18
上传用户：
论文-基于红外热成像技术的猪体温检测与关键测温部位识别63页摘要 实现猪体温测量自动化有利于实时监测猪的健康状况、母猪发情和排卵检测等 生理健康状况。本文采用红外热成像仪采集猪的红外热图像，引入化学计量学建模 方法建立体表温度、环境温度与直肠温度间的多元校正模型，同时提出两种关键测 温部位的自动检测方法。主要结论总结如下： (1)建立了母猪体表温度、环境温度与母猪体温之间的一元和多元线性回归模型。研 究发现， 9个身体区域提取的体表温度与直肠温度呈正相关(产O．34～0．68)，其中， 基于耳根区域体表温度平均值建立的一元回归方程效果最优，预测集相关系数RP与 均方根误差RMSEP分别为0．66和0．420C。全特征模型相比一元线性回归方程有更 好的预测效果，RP和RMSEP分别为0．76和O．370C。此外，应用特征选择方法LARS． Lasso确定了7个重要特征建立简化模型，其校正集和预测集的R分别为0．80和 0．80，RMSEs分别为0．30和0．350C。 (2)将卷积神经网络应用于生猪主要测温部位(眼睛和耳朵区域)的直接分割。利用 python构建了四种不同结构的卷积神经网络模型FCN一1 6s、FCN．8s、U．Net一3和U． Net．4。对比分析4种卷积神经网络模型的性能，结果表明U-Net．4网络结构的分割 效果最优，平均区域重合度最高为78．75％。然而，当计算设备的计算力不够时，可 以选用U．Net一3模型以达到较好的分割效果。 (3)提出猪只眼睛及耳根区域关键点的识别方法，将猪只主要测温部位的检测问题 转变为主要测温部位的定位问题。设计具有不同深度的卷积神经网络架构A．E，得 出架构E最优。且当Dropout概率设置为0．6时模型效果最好，验证集平均误差和 预测集平均误差分别为1．96％和2．65％。测试集单张猪脸关键点的预测误差小于5％ 和10％的比例分别为89．5％和97．4％。模型能够很好的定位猪脸关键点，用于猪只 体温测量。 本文采用红外热像仪测量母猪体表温度，通过化学计量学建模为非接触母猪直 肠温度测量提供了更准确、可靠的方法，同时提出两种关键测温部位的自动检测方 法，有助于实现母猪体温测量自动化，为生猪健康管理提供参考。
标签： 红外热成像技术
上传时间： 2022-02-13
上传用户：jiabin
边缘（edge）是指图像局部强度变化最显著的部分.边缘主要存在于目标与目标、目标与背景、区域与区域（包括不同色彩）之间，是图像分割、纹理特征和形状特征等图像分析的重要基础.图像分析和理解的第一步常常是边缘检测（edge detection）.由于边缘检测十分重要，因此成为机器视觉研究领域最活跃的课题之一.本章主要讨论边缘检测和定位的基本概念，并使用几种常用的边缘检测器来说明边缘检测的基本问题图像中的边缘通常与图像强度或图像强度的一阶导数的不连续性有关.图像强度的不连续可分为：（）阶跃不连续，即图像强度在不连续处的两边的像素灰度值有着显著的差异（2）线条不连续，即图像强度突然从一个值变化到另一个值，保持一个较小的行程后又返回到原来的值.在实际中，阶跃和线条边缘图像是很少见的，由于大多数传感元件具有低频特性，使得阶跃边缘变成斜坡型边缘，线条边缘变成屋顶形边缘，其中的强度变化不是瞬间的，而是跨越一定的距离，这些边缘如图6.1所示对一个边缘来说，有可能同时具有阶跃和线条边缘特性.例如在一个表面上，由一个平面变化到法线方向不同的另一个平面就会产生阶跃边缘：如果这一表面具有镜面反射特性且两平面形成的棱角比较圆滑，则当棱角圆滑表面的法线经过镜面反射角时，由于镜面反射分量，在棱角圆滑表面上会产生明亮光条，这样的边缘看起来象在阶跃边缘上叠加了一个线条边缘.由于边缘可能与场景中物体的重要特征对应，所以它是很重要的图像特征。比如，个物体的轮廓通常产生阶跃边缘，因为物体的图像强度不同于背景的图像强度在讨论边缘算子之前，首先给出一些术语的定义：边缘点：图像中具有坐标[门且处在强度显著变化的位置上的点边缘段：对应于边缘点坐标[，门及其方位，边缘的方位可能是梯度角边缘检测器：从图像中抽取边缘（边缘点和边缘段）集合的算法
上传时间： 2022-04-22
上传用户：bluedrops
