摘要：实现茶芽的自动识别与定位是优质茶叶智能采摘设备研发的基础。针对茶芽细小,且采摘环境受光照影响较大等问题,本研究提出了一种基于深度学习网络模型的茶芽识别方法,开展识别系统的光源设计,能够为实现全天候和高效率的智能茶芽采摘设备提供技术支撑。首先,搭建铝合金框架的密闭遮光黑暗环境;然后,通过调节横杆高度和光源亮度创造出3种高度和3种光照强度组合;最后,采集不同组合情况下的茶芽图像数据集,利用改进YOLOv5模型对一芽一叶和一芽两叶开展识别测试。试验结果表明,YOLOv5s的总体准确率为77.13%,总体平均精度均值为86.14%,对于改进后的识别模型YOLOv5s-SPD的总体准确率为80.30%,总体平均精度均值为87.3%,单张图片的平均检测时间为5.7 ms,满足实时检测的要求,比原YOLOv5s总体准确率提升3.17%,总体平均精度均值提升1.16%,有效地提升了茶芽的识别性能。在高度90 cm和亮度L7(0.164~0.328μmol/m^(2))的条件下,一芽一叶和一芽两叶的检测准确率、召回率和AP平均值分别为86.70%、92.45%和95.00%。该方法可以有效快速地检测茶芽,光源设计方案为全天候优质茶叶智能采摘设备的研发提供了支持。

摘要：三维多视角立体视觉算法(patch-based multi-view stereo, PMVS)以其良好的三维重建效果广泛应用于数字城市等领域,但用于大规模计算时算法的执行效率低下。针对此,提出了一种细粒度并行优化方法,从任务划分和负载均衡、主系统存储和GPU存储、通信开销等3方面加以优化;同时,设计了基于面片的PMVS算法特征提取的GPU和多线程并行改造方法,实现了CPUs_GPUs多粒度协同并行。实验结果表明,基于CPU多线程策略能实现4倍加速比,基于统一计算设备架构(compute unified device architecture, CUDA)并行策略能实现最高34倍加速比,而提出的策略在CUDA并行策略的基础上实现了30%的性能提升,可以用于其他领域大数据处理中快速调度计算资源。

摘要：提出了一种基于模糊成像机理的QR码图像快速盲复原方法。在对模糊成像弥散光斑质心不变性研究的基础上,设计圆形寻像图形,在成像模糊时能通过连通域等方法快速检测到图形质心以及QR码符号位置,再结合阶跃边缘特性、梯度强度特性、边缘检测技术以及光学成像机理快速准确估计出模糊QR码图像离焦半径大小,应用维纳滤波算法快速且有效复原QR码图像。与对比算法相比,本文算法在结构相似性和峰值信噪比上都有提升,特别是在复原速度上有显著提高,其平均复原时间为0.3292 s。该方法能够以较高的精度估算出离焦半径大小,并能快速实现QR码图像的盲复原,具有快速性及稳健性优势,便于嵌入式硬件实现,能较好适用于条码标识相关的工业物联网应用场景。