摘要：本文针对机械臂智能操作开发了一种基于手势识别的操控模式。首先,通过安装Python、MediaPipe搭建开发环境,运用网络方式连接越疆CR5协作机械臂并将其使能。之后通过opencv抓取视频帧,并对手部特征点进行提取,再由MediaPipe设定好的静态手势数据集判断出对应的手势。最后实现利用不同的手势控制机械臂完成移动、抓取、松放等操作。这种新模式具有灵敏度高、人机反馈速度快等特点,不仅提高了安全性,而且还简化了操作,使得工作人员更加便利地操控机械臂,具有良好的发展前景。

摘要：为实现柠檬的自动分级,提出了一种基于改进RCF网络的阈值-面积算法自动检测柠檬尺寸的方法。首先在主干网络中加入注意力机制模块,在每个Stage侧级输出和最终输出时加入残差模块来改进RCF网络,以获得柠檬边缘更细致的检测图像;然后将边缘图像经过阈值处理后进行轮廓检测,运用基于opencv的阈值-面积算法提取柠檬轮廓,获得柠檬尺寸。实验结果表明:改进的RCF网络将全局最佳和最佳图像比例单图最佳指标分别提高到0.816和0.836;在尺寸检测实验中,阈值-面积算法检测的柠檬尺寸与实际尺寸相比误差较小。

摘要：随着互联网图像数据的增加,图像检索也面临着重大挑战,良好的图像检索算法能提高图像的检索效率和精确度。近年来,感知哈希技术常被用于多媒体识别和认证等方面,利用图像哈希算法提取的图像特征具有良好的鲁棒性和唯一性。本系统使用Python语言设计和实现基于感知哈希的图像检索系统,在满足检索的需求上能达到高效的检索效果。

摘要：基于视频的车辆运动捕获、识别是计算机视觉领域一个重要的研究课题,通过视频检测的方式作为交通流量调查并用于诱导系统,也是近年来备受研究者关注的前沿方向。本文集中研究基于面向对象的智能交通诱导系统技术方案,特别是如何利用面向对象思想将基于硬件的三维重建技术与车辆二维运动跟踪算法的结合,以及通过面向对象的系统构建方式整合原有的诱导系统的实现,最终结合实际的试点工程验证并优化本研究方案。本研究的创新点在于,通过面向对象的方法,有效地将硬件上的三维重建分析与中心服务器上的车辆轨迹跟踪算法以及现有的诱导系统通过面向对象的构建方法进行有机结合,大大地提高了系统的灵活性与可扩展性,试点工程证明面向对象的系统构建方案是一个可取的研究方向。opencv是用来实现计算机视觉相关技术的开放源码工作库,它包含了三维重建中涉及的一系列关键技术模块,本研究在opencv下迅速搭建软硬件平台以开展研究工作。本研究就是在VC++和opencv环境下进行了面向对象的系统设计和实现。

摘要：与传统工业机械臂相比,桌面型机械臂具有环境多变、人机协作等特点,为其增加视觉功能显得尤为重要。而目前实现机器视觉的应用框架有很多,如何根据机械臂工作环境及性质,搭建合适的视觉应用软硬件平台,以提高机器视觉识别的准确率和效率是本文研究的重点。本文通过采用TensorFlow深度学习框架,利用嵌入式系统的软硬件设计,结合opencv等图像处理软件,搭建适合桌面型机械臂的机器视觉二次开发框架,为进一步开发基于视觉的机械臂应用提供了基础。仿真测试及人机协作的案例应用表明该框架具有较好的适应性和高效性。

摘要：针对一种声表面波滤波电子器件,设计了基于机器视觉的电子器件在线检测分选系统,详细论述了机器视觉系统的硬件组成和工作原理。在搭建系统硬件平台后,采用Qt应用程序框架,结合opencv开发了一套电子器件在线检测分选系统软件。经过大量实验和长时间实际生产运行表明,该系统检测速度快、识别准确率高、成本预算低,完全满足现代工业在线检测的需要。

摘要：煤炭生产过程中,煤块破碎的粒度大小影响着产品的质量,为使煤块粒度符合不同使用需求,应当对煤块粒度分布进行识别与统计。为提高煤块粒度的识别效率,设计基于机械臂的煤块粒度自动识别系统,采用随机取样的统计方法,使用机械臂铲取煤样并摊平,利用机器视觉技术识别并用opencv中的分水岭算法统计煤块粒度大小,实时掌握煤块粒度情况。测试结果表明,系统对煤块粒度识别的误差率为7.1%,能够满足现场生产需求。

摘要：针对某武器试验中背景复杂,现有的背景差分法在背景模型的维持和更新不能用于长期和复杂的场景,以及对近地目标提取检测困难的问题,提出一种改进的背景差分法。该算法采用结合邻域信息的背景差分法和最大方差阈值法,能够在一定程度上减小背景滞后更新引起的运动目标检测误差,且使目标边缘提取更加明确,从而提高了系统的运行速度,实现复杂背景下的运动目标检测。在Visual C++6.0中用opencv实现了相关算法的设计,并给出了完成系统任务所需的部分关键代码,实现了运动目标和试验场景的分离与提取。仿真实验验证了该算法的有效性以及实时性。

摘要：文章提出一种基于图像处理的文档图像矫正系统,该系统首先对文档图像进行高斯滤波、局部边缘提取及膨胀操作,然后提取轮廓,最后基于Hough变换算法找到可以覆盖所有轮廓的最小矩形并生成仿射变换矩阵进行变换矫正。该方法相比传统的基于Hough变换的方法,增加基于图像处理的滤波及形态学处理,使矫正效果更好;相比其他常见的基于模式识别进行图像矫正的方法,抗干扰能力更强;相比常见的基于深度学习进行图像矫正的方法,运算速度快,模型小,更适合在智能手机等移动端使用。

摘要：传统的目标跟踪算法采用人工特征描述物体特征,这类人工设计的特征不能全面地表达一个物体的特点,在跟踪过程中这些特征点容易受到外界因素的影响,导致跟踪效果不稳定。基于卷积神经网络的目标跟踪算法由于采用卷积神经网络提取物体的深层次特征,这类特征能够模仿人脑描述学习一个物体的深层特征,使得在跟踪中具有较高的稳定性,目标不容易丢失且跟踪的准确性更高,能够适应复杂多变的环境鲁棒性更好。本文提出的算法采用Tensorflow搭建网络框架,离线训练模型,然后利用opencv调用训练好的模型进行目标跟踪实验。算法在确保较高的跟踪准确性基础上,又得到了较快的跟踪速度、且显示出很强的实时性,具有一定的实际应用价值。