摘要：提出了一种基于深度学习的大视场大规模目标精确检测算法。以香烟滤棒为检测对象,研究具有强粘连、强阴影遮挡、强畸变、低对比度的大规模目标精确识别问题。提出一种SAAU-net模型,在U型网络基础上引入具有空间感知的自注意力增强模块和焦点损失函数有效地解决了精确语义分割问题。在精确识别环节中,根据圆相切几何规律设计了结构元匹配算法定位圆心并利用隐马尔可夫链优化搜索方向最终实现目标精确快速识别。在实验部分,分别对比了语义分割和目标识别环节中几种主流的算法。并在工业现场进行了50 000盒滤棒应用测试。试验结果表明,所提方法在语义分割、目标识别以及工业应用测试中都展现出强大竞争力,目标识别精度达到99.95%。

摘要：针对高速流水线上小视场目标检测中特征不易挖掘、毫秒级周期快速响应等问题,以香烟滤棒爆珠流水线检测为例,提出了一种基于稀疏特征的小视场高速检测算法。首先通过调整光源,设计出具有强鲁棒性的光斑特征;其次采用稀疏表示和字典学习获得光斑的投影直方图特征。为了克服非结构化背景的干扰,还结合了马尔可夫-贝叶斯推理从而减少了光斑误检率,最终实现了低对比度情况下爆珠的高速精准识别。基于稀疏特征的小视场高速检测算法分别在仿真和实验平台上进行了验证测试,结论表明提取的光斑特征可以克服爆珠颜色、尺寸和环境低对比度等干扰,保持特征的稳定性。融合的马尔可夫-贝叶斯的稀疏表示算法可以提高光斑的识别精度。该方法可以实现3 000次/min检测,检测精度可达到99.5%。