一、一种基于多特征融合的直线提取算法（论文文献综述）
李道伟[1]（2021）在《基于机器视觉的三极管外观缺陷检测系统研究》文中研究说明当今的中国不仅是半导体分立器件的生产制造大国,同样也是消费大国,占据着全球近一半的半导体分立器件市场。三极管作为半导体分立器件中的重要组成部分之一,同样也是电子电路的核心元件,因此三极管的产品质量直接影响电子产品的稳定性和使用寿命。目前,国内对于三极管外观缺陷的检测方式主要是人工抽检,但是这种方式因受到人眼在时间、空间上的分辨率以及主观因素的限制,检测效率低,不仅检测精度达不到要求,而且有些缺陷人工很难检测甚至检测不了,严重制约了三极管产品的产量与出货质量。随着机器视觉领域的研究不断深入,非接触式的视觉检测技术在外观质量检测领域的应用也日趋成熟,但是针对放在料管中的三极管进行缺陷检测的相关研究还很少。因此,研发出一套针对料管内三极管的外观缺陷检测系统,具有良好的理论研究价值和市场应用前景。本文以放在料管中的三极管为研究对象,设计了基于机器视觉的三极管外观缺陷检测系统,主要研究工作如下:（1）三极管外观缺陷检测系统总体方案设计。分析本文的研究对象及其外观缺陷检测技术要求,并在此基础上完成了视觉检测模块的硬件选型和布局设计,以及缺陷检测总体流程设计;在进行软件结构设计时,利用多线程技术实现各工位同时进行图像采集与处理,以提高系统检测效率;最后,根据三极管的图像特点与缺陷检测要求,完成了图像处理算法流程设计。（2）基于局部特征融合的ROI（Region Of Interest,感兴趣区域）定位与分区算法。针对三极管在料管内定位不足并受到料管凹槽干扰的问题,采用局部特征进行初步匹配定位;针对引脚根部边缘不连续且存在其他边缘干扰的问题,提出了基于RANSAC（RANdom SAmple Consensus,随机抽样一致性）的改进直线检测算法,有效提取出图像中的目标边缘直线,再通过最小二乘法拟合直线得到三极管的旋转角度,并基于仿射变换矫正三极管的旋转姿态以实现三极管的旋转匹配,最后将旋转匹配定位坐标还原至原始图像坐标系中,完成三极管各检测ROI的定位与分区。（3）基于K-Means的封装区域缺陷检测算法。针对料管表面存在的划痕干扰问题,提出了基于K-Means的改进图像分割算法,有效解决了料管划痕对缺陷检测的干扰;针对实际生产中存在的混料问题,通过对局部差异特征进行提取分析,实现混料检测;针对三极管封装区域的表面缺陷,利用标准掩模图像提取待测区域图像;针对全包三极管圆孔与射口区域的缺陷,则将标准掩模图像反转颜色后再提取待测区域图像;最后,使用图像差分法得到差异图像,并通过形态学处理与连通域特征分析的方法,进一步去除图像中的小面积斑块干扰,再根据缺陷判定标准筛选连通域,实现封装区域的缺陷检测。（4）基于多视图的引脚缺陷检测算法。针对引脚表面图像无法有效检测引脚翘起的问题,提出了基于多视图的引脚缺陷检测算法,并利用等腰直角三棱镜实现了引脚端面图像的采集。根据引脚翘起缺陷的检测要求以及端面图像的特点,提出了基于Canny的基准定位方法,对Canny检测到的边缘进行遍历搜索与统计判定以提取料管边缘,再利用最小二乘法得到料管边缘的拟合直线,并将其作为引脚端面位置检测基准;然后基于连通域搜索定位引脚端面的中心坐标,通过计算引脚端面中心与边缘基准在水平方向上的距离,同时对引脚之间的相对位置进行统计分析,实现更为鲁棒的引脚翘起检测。针对细引脚轮廓不定而无法使用标准掩模的问题,提出了自适应掩模生成方法,能够实现不同轮廓外形的细引脚掩模图像生成,并通过引脚弯曲角度、引脚长度以及缺陷尺寸大小的多特征组合,实现引脚表面缺陷的检测。综上所述,本文根据三极管外观缺陷检测的技术要求,设计了三极管视觉检测模块与缺陷检测总体流程,研究了三极管ROI定位与分区算法以及三极管封装区域与引脚的外观缺陷检测算法,最后基于Visual Studio 2015软件平台和模块化程序设计的思想,开发了基于机器视觉的三极管外观缺陷检测系统软件,其中包括用户登陆模块、检测参数配置模块、在线检测模块、数据管理模块以及Mapping显示模块。经过一定规模的现场生产测试验证,本文设计研发的基于机器视觉的三极管外观缺陷检测系统能够在150ms以内完成一个三极管的外观缺陷检测,满足实际生产要求的工作节拍;同时,缺陷检测系统的平均过检率与漏检率分别为1.14%和0.08%,缺陷检测准确率在97.87%以上,能够满足实际生产要求的准确性与稳定性。
韩治中[2]（2021）在《基于多特征基元融合的智能车辆定位方法研究》文中指出无人驾驶是当前汽车行业发展的一个重要方向,吸引着越来越多的汽车、科技公司的研发与参与。车辆要想实现真正的无人驾驶,除了有优秀的控制、规划算法,还需要精确的定位,精确的定位是车辆其他功能实现的基础。随着机器视觉的发展,基于视觉的定位方法成为当前研究的热点,并且视觉传感器价格较为低廉,更是率先应用到了量产车辆。视觉定位是一种利用相机传感器估计位姿的方法,其具有精度高、鲁棒性好等优点,但是在快速运动、弱纹理、弱光照、光照变化明显等场景容易定位跟踪失败,在丢失图像帧情况下也将导致整个系统失效。为此,本文提出了一种复杂场景下基于多特征基元融合的视觉定位方法,并对所提出算法进行了精确性和鲁棒性验证。基于本文的研究目标,主要工作内容如下:（1）本文提出了一种点线特征融合的定位算法。针对光线变化明显导致基于点特征的定位算法跟踪失败的问题,本文在点特征的基础上,引入了对光线变换不敏感的线特征,研究线特征的提取和描述方法,介绍LSD线特征的提取和LBD线特征的描述子;针对线特征较多且长度差异较为明显的特点,提出了长线特征的提取方法;基于ORB-SLAM2框架将点线特征融合,提出了点线特征融合算法,构建了完整的位姿估计算法和局部优化方法,并通过公开数据集验证了本文算法的精度。（2）本文提出了基于视觉特征的多路径融合方法。对多路径融合进行介绍,包括回环检测、位姿在不同坐标系下的变换理论;介绍多路径融合和重定位方法在理论上的区别,并提出了基于区域一致性的回环检测方法,提高了回环检测的召回率;在正确重定位的前提下实现路径融合,完成多段路径中相机位姿的正确位姿变换。通过公开数据集验证了本文提出的方法的有效性,结果表明此方法大幅提高了相机位姿的信息量。（3）通过两个单目相机设计了双目立体视觉定位模型,基于宝骏汽车和该模型搭建了定位试验平台,并分析车身模型和针孔相机的成像模型完善试验平台,使试验平台有较好视野且平稳运行。正午时分在小区道路、城市道路和有高架桥遮挡太阳的多种道路上完成试验,验证了在光线变化明显等复杂场景下本文算法具有较高鲁棒性。
周敬[3]（2021）在《基于多特征融合的茶叶外观品质分级检测技术研究》文中指出作为茶叶生产和消费大国,无论从满足消费者需要还是从企业长远发展的角度来看,对于茶叶品质方面的把控尤为重要。目前,对于茶叶品质高低的判别,茶叶界一般采用感官审评、理化指标、机械分级等检测方法进行等级的品评。根据茶叶分级标准,外观感官品质特征是最直接的一种分级检测参考方向。鉴于现阶段,人工检测是最普遍的一种感官检测方法,但人工检测主观性强,对专业审评师要求高,分级程序复杂;理化识别需要破坏茶叶外形,而且多用于茶叶内含物质的化学实验研究;而机械分级多用于采摘阶段,对茶鲜叶原料进行分级;当然,也有新技术引用到茶叶品质审评中,例如:电子鼻、电子舌、荧光光谱评价技术等;对于新技术在茶叶外观审评中的运用,虽然能弥补感官审评及理化检测方法存在的不足,但多集中在对茶叶的种类鉴别、内部化学成分含量分析及对茶叶单一的视觉特征进行品质审评,分类结果不够准确。为此,针对目前人工对茶叶分级的主观性、流水线工作中机械对茶叶损伤的缺陷性及目前外观分级方法单一的片面性等分级精度不高的问题,提出了一种基于证据理论的多特征融合茶叶分级方法。本文以四川宜宾雀舌样本为研究对象,进行了以下工作:（1）选型实验硬件设备,搭建实验样本采集平台,并对采集图像进行数据预处理;（2）为提高分级检测的准确性避免单一特征分级的片面性,基于计算机视觉技术对茶叶的颜色、形状,并结合杂质特征进行特征分析及其研究特征提取的相关算法;采用颜色矩作为茶叶的颜色特征;提取图像的7个不变矩作为形状特征参数;对于茶叶杂质检测,则使用改进的霍夫变换的算法来检测茶叶的杂质特征;（3）为了避免茶叶检测过程中因多种数据特征融合所导致的运算量过大问题,运用主成分分析法（principal component analysis,PCA）进行降维并确定贡献率多的特征参数。结合提取的茶叶特征,运用支持向量机（support vector machine,SVM）对茶叶进行单一特征初步分级,并引入多特征融合思想,将支持向量机输出的初步单一特征分级结果作为证据,并利用在不确定性和特征组合方面的能力和优势的D-S理论,对茶叶进行最终的分级,获得茶叶多特征融合分级结果;通过仿真对比,SVM单一特征分级结果准确率为82%-86%、SVM多特征分级结果准确率为93%左右,而以SVM单一特征分级结果作为证据采用D-S证据理论获得的多特征融合分级准确率为96%以上,实验表明引入证据理论的多特征融合茶叶分级方法,进一步提高了茶叶品质分级检测的可靠性和分级正确率,是一种有效的茶叶自动分级方法,从而为茶叶的无损、高效、智能化奠定了基础,使研究的成果具有产业化的意义。
张静[4]（2021）在《基于多视觉特征融合的古陶瓷断代方法研究及系统实现》文中进行了进一步梳理近年来,随着社会经济的快速发展,人们精神文化素养的不断提升,文化生活需求趋于多样化,文物收藏之风盛极一时,其中,古陶瓷文物是中国古代灿烂文明的象征,是中国古代历史长河不断发展的历史见证,同时也是现代社会技艺同古代文化艺术跨时空对话的重要载体,故古陶瓷具有极高的艺术收藏价值和史料研究价值。然而随着古玩市场的活跃,由于巨大经济利益的驱动,古玩市场的秩序遭到一定程度上的破坏,极不利于古陶瓷文物保护和传承。因此,对古陶瓷准确鉴定显得尤为重要。目前,对于古陶瓷的鉴定依然停留在人工经验鉴定和科技仪器鉴定阶段,通过这两种方法,完成了大量的考古鉴定任务,但依然存在很大局限性。其中人工经验鉴定法的关键点在于凭经验断定,受到主观因素的影响较大,难以形成客观的鉴定科学依据;而科技仪器鉴定法需以权威、完备的标准器物数据库作为基础,以先进仪器设备作为支持,导致研究难以开展,且会对样品造成一定程度破坏,极不利于古陶瓷器物的保护,故两种方法均难以满足现代社会高速发展背景下对古陶瓷准确鉴定的迫切需求。在研究古陶瓷现有断代鉴定方法的基础上,本文以机器学习技术为核心,提出一种基于多视觉特征融合的古陶瓷断代方法,并完成软件系统的开发。主要工作内容包括以下三个方面:（1）古陶瓷外观特征研究与数字化建模为跨越古陶瓷外观的抽象语义描述与视觉特征量提取之间鸿沟,本文基于对古陶瓷图像特点及视觉特征信息的分析和研究,着重探究了古陶瓷图像中纹饰和器型两种关键视觉特征中蕴藏的时代发展规律,通过构建特征的数字化模型,进一步发现古陶瓷外观随时代发展的演变过程,建立起视觉特征量与古陶瓷断代鉴定的映射关系。（2）古陶瓷智能断代鉴定算法的研究古陶瓷断代鉴定算法分为古陶瓷图像预处理、视觉特征量提取、融合分类模型的搭建三个步骤。首先设计了包含图像增强、主视矫正还原等关键技术的预处理算法;其次,在研究古陶瓷外观特征分布规律的基础上,完成古陶瓷 LBP（Local Binary Patterns）-HOG（Histogram of Oriented Gridients）融合纹饰特征及器型结构几何参数特征的提取;最后以多视觉特征融合技术为核心,通过搭建基于粒子群寻优算法的广义回归神经网络（Generalized Regression Neural Network,GRNN）实现古陶瓷的准确断代鉴定。（3）古陶瓷智能辅助断代鉴定软件系统的设计与实现本文采用C++语言在VS2010软件开发平台上,结合MFC框架、OpenCV视觉开发库等辅助技术和工具,完成古陶瓷智能辅助断代鉴定软件系统的设计,主要包括软件系统界面的搭建、古陶瓷断代算法的移植、数据库的调用等,最终搭建完成具备古陶瓷的断代鉴定、信息存储、显示及查询等功能的智能化系统。为验证本文算法的可行性及准确性,以含有蕉叶纹为辅助纹饰的古陶瓷（以下简称蕉叶纹古陶瓷）和蕉叶纹玉壶春瓶作为展示对象进行实验。分别针对不同纹饰特征量、不同特征类别、不同分类器模型对古陶瓷断代的影响进行对比实验,实验结果表明LBP-HOG融合特征能够数字化表达古陶瓷纹饰信息,并从数字量中挖掘和验证古陶瓷纹饰随时代的发展演变规律;基于多视觉特征融合的断代方法相较于目前常用的单一特征量的断代方法,具有更高的分类精度,断代鉴定准确率可达到98.18%;GRNN模型在小样本的古陶瓷数据处理问题上具有优秀的表现力。总之,本文古陶瓷智能断代系统可以作为辅助人工经验鉴定和科技鉴定法的有效手段和辅助工具。
赵传[5]（2020）在《航空影像辅助机载LiDAR点云的建筑物三维模型重建技术研究》文中提出机载激光雷达（Light Detection and Ranging,Li DAR）是一种新型、高效、可直接获取地物三维空间数据的技术,其获取的点云已广泛用于智慧城市建设、地物目标解译等领域。建筑物三维模型作为智慧城市、三维地理信息系统的重要基础数据,其重建工作一直是很多领域的研究热点和难点。机载Li DAR点云是建筑物三维模型重建的重要数据之一,包含可靠的建筑物三维表面信息,但由于机载Li DAR点云分布不规则、密度不均、缺乏语义信息等特点,使得仅利用其重建的模型轮廓几何精度难以得到保证。航空影像具有光谱特征显着、空间分辨率高、语义信息丰富等优点,利用其辅助机载Li DAR点云的建筑物三维模型重建,有利于得到精度更高的建筑物三维模型。因此,本文围绕航空影像辅助机载Li DAR点云的建筑物结构化三维模型重建展开研究,完成的主要工作和创新点如下:1.阐述了航空影像辅助机载Li DAR点云的建筑物结构化三维模型重建的研究背景与意义,并分别针对机载Li DAR点云分类、建筑物屋顶面分割、建筑物轮廓提取与规则化和建筑物三维模型重建方法的研究现状以及存在的问题进行了总结和分析。2.针对基于深度学习的机载Li DAR点云分类方法对训练样本数量要求高、训练时间长等问题,提出一种基于深度残差网络迁移学习的机载Li DAR点云分类方法。该方法将迁移学习引入机载Li DAR点云分类,设计了新的点云特征图生成策略,构建并训练神经网络分类器,经过后处理得到分类结果。采用不同类型的传感器获取的、多个区域的机载Li DAR点云进行实验,验证了该方法可以在降低训练时间和对训练样本数量要求的同时,提高点云分类精度。3.提出了一种结合区域增长和随机采样一致性算法的机载Li DAR点云屋顶面分割方法。通过设计迭代区域增长算法提取可靠屋顶面片,并利用随机采样一致性算法提取小面积屋顶面片,再对提取的屋顶面片进行优化,从而有效地克服了由屋顶面积差异大、形状复杂、数量不确定,以及机载Li DAR点云密度不均、分布不规则等因素造成分割不准确的影响。利用多组具有代表性的建筑物点云进行实验,验证了该方法可以得到精度较高的分割结果,具有可靠地分割面积较小和复杂结构的屋顶面的能力。4.提出了一种基于邻域方向分布的机载Li DAR点云建筑物外轮廓提取方法。该方法设计了基于邻域方向分布提取轮廓点的算法,通过构建不规则三角网,对边进行操作,实现无需设置边长阈值即可跟踪轮廓点,并得到有序的建筑物外轮廓提取结果。利用具有不同密度分布、不同形状的模拟点云和真实建筑物点云进行实验,证明了该方法可以得到精度较高的建筑物外轮廓提取结果,并能有效克服参数难以设置的问题,实用性较强。5.设计了一种航空影像辅助机载Li DAR点云的建筑物结构化三维模型重建方法。该方法基于航空影像和机载Li DAR点云生成了屋脊线、阶跃线等建筑物三维特征线,通过设计的基于多特征线的感知编组算法,实现了将航空影像融入重建过程,从而有效地利用机载Li DAR点云和航空影像各自的优势重建了建筑物结构化三维模型。利用两个区域的建筑物点云进行重建实验,验证了该方法可以有效利用航空影像中的建筑物轮廓信息辅助机载Li DAR点云进行建筑物结构化三维模型重建,能重建屋顶结构复杂度不同的建筑物,并且重建的建筑物结构化三维模型具有较高的精度。
吴谧辰[6]（2020）在《基于视觉多特征融合的三维靶标位姿估计方法研究》文中指出诸如航空航天、船舶等工业制造领域内的大型设备研制生产需要对各类大型构件进行三维测量。由于大型构件结构复杂、尺寸大,通常利用合作靶标辅助完成三维参量测量,测量过程中仪器需要瞄准布置在构件表面的靶标,通过获取靶标图像并对其进行位姿估计实现靶标瞄准。受测量环境影响,靶标图像通常发生离焦模糊退化,并且由于成像系统与其距离较远,也造成靶标在图像中的成像区域空间分辨率低,最终导致采集的靶标图像表现为低质量、低分辨率,现有的位姿估计方法对这类图像估计结果的稳定性与精度会严重退化,难以实现靶标准确瞄准。因此,研究针对低质量低分辨率靶标图像的鲁棒位姿估计方法,提高算法的稳定性与位姿估计精度,对实现合作靶标精确瞄准和大型构件三维参量精密测量具有重要意义与应用价值。本文在分析低质量低分辨率图像对位姿估计稳定性影响的基础上,提出了基于CAD模型的目标检测与图像复原方法,以及一种基于多特征融合的改进加权EPnP（weighted EPnP,wEPnP）位姿估计方法。首先,针对低质模糊图像会淹没目标边缘特征,降低特征提取与位姿估计的准确性的问题,利用目标CAD模型进行目标检测,有效分割目标区域,并基于CAD模型中的目标特征信息复原目标区域,有针对地增强目标的边缘特征,为特征提取提供准确可靠的数据来源。其次分析目标区域低分辨率对特征提取与位姿估计的影响,在EPnP求解过程中考虑特征点的可靠性,通过权值调节不同点的重要程度,降低特征提取误差对位姿估计稳定性及精度的影响,主要利用线、面特征衡量不同特征点的可靠性并确定权值,通过融合目标的点、直线和面特征实现wEPnP位姿估计。利用3D目标图像、低分辨率仿真图像以及靶标图像对所提方法进行实验验证,实验结果表明本文提出的基于CAD模型的目标检测与图像复原方法能够有效分割目标区域并增强目标边缘特征。低分辨率仿真图像位姿估计实验结果表明,wEPnP算法的鲁棒性更强,EPnP算法性能退化时,wEPnP算法仍能够有效估计目标位姿,且wEPnP算法对旋转矩阵和平移向量的估计误差相较于EPnP分别降低了 3.56%～4.47%及1.79%～2.30%。实际的3D靶标实验结果表明,本文所提基于CAD模型的目标检测与图像复原方法以及wEPnP位姿估计方法能够实现对低质量低分辨率靶标图像的位姿估计,可用于三维靶标高精度瞄准。
陈孝烽[7]（2020）在《定点监控下可疑违章建筑物识别关键技术研究》文中研究说明违章建筑物严重阻碍我国经济建设和社会发展。针对我国现有违章检测技术以人工为主、精度低、智能化程度低的现实问题,本文致力于研究定点监控下可疑违章建筑物自动识别关键技术,主要研究内容如下:（1）提出了一种基于多特征融合的变化差异描述算法。利用结构自相似SSIM和自适应颜色迁移算法,消除因天气变化造成的新旧时相图像中局部差异,生成像素差异图像;针对像素特征难以描述建筑物结构变化的问题,利用局部梯度差异算法,提取出新旧时相图像中建筑物结构变化,生成纹理差异图像;针对单一特征难以鲁棒地描述新旧时相图像中建筑物变化的问题,利用z-score归一化加权融合像素和纹理特征,生成融合后差异图像,为后续基于差异图像的变化区域提取算法提供有效输入。实验证明,本算法能有效地描述新旧时相图像中建筑物变化,并能较好地过滤由天气、植物等非建筑物的“伪变化”。（2）攻克了一种基于模糊空间MRF的变化区域提取算法。分析差异图像的灰度分布特点,利用改进的迭代式阈值算法,对差异图像进行初始分割,利用MRF更新迭代初始分割图像,解决提取出的部分建筑物变化区域呈现断裂的问题;利用FCM和新时相图像的颜色空间信息重定义传统MRF的空间能量函数,细化变化区域的边缘轮廓,解决不同物体的变化区域被合并的问题,为后续基于变化区域的建筑物识别方法提供可靠输入。实验证明,本改进算法能够有效地提取差异图像中建筑物的变化区域,正确率达到95.81%。（3）研究了一种融合深度学习的可疑违章建筑物识别方法。利用CNN的高维特征表达优势,提出了一种基于Res Net-152的建筑物识别方法,解决基于低层特征的建筑物识别方法难以处理建筑物被遮挡、建筑物的视角多样和建筑物结构复杂等场景的问题。实验证明,本方法能够有效地识别建筑物,在建筑物数据集上的识别率达到92.08%,在背景数据集上的识别率达到91.67%。针对违章建筑物识别存在特殊性,难以直接利用深度学习模型的问题,将前文所提算法与基于Res Net-152的建筑物识别方法相结合,提出了一种融合深度学习的可疑违章建筑物识别方法。实验表明,该算法可有效地识别出可疑违章建筑物,其中检测精度高达94.65%,误检率仅为3.59%。
郑行家[8]（2020）在《多尺度直线段检测算法研究》文中研究说明直线段是现实场景中一种常见的几何特征,被广泛应用于各类视觉任务中。现有的主流算法在单一的尺度下检测直线段。检测算法选择较低的尺度值虽然能够保证准确的直线段位置,但会产生大量的冗余检测线段;而选择较高的尺度值虽然能够有效的抑制冗余信息,但直线段的位置会发生偏移。为此,可以融合图像在多个尺度下的特征来提高直线段检测效果。本文就以上的课题展开相关研究,研究内容及创新点主要包含以下三个方面。根据直线段特征在不同尺度下的表现,提出基于多尺度融合的直线段检测算法。首先,利用高斯滤波得到图像的尺度空间表示,计算梯度方向及梯度幅值。然后在不同尺度下分别区域生长,融合后得到一个粗糙的线支持区域,由此提高检测的召回率。最后计算区域的最小外接矩形,并对密度过小的矩形做二分优化,减少错误检测。仿真实验表明新算法在主观和客观上的效果都优于当前的直线段检测算法。研究直线段验证策略,并提出一种新的优化方法。图像中的干扰信息容易带来错误检测线段,当前的直线段验证方法基于自身的可信度进行分析判断,而忽略直线段相互之间的联系。为此,我们基于“拟曼哈顿世界”的假设提出一种全局验证方法,将直线段之间的联系作为可信度判断的依据。实验结果表明,与现有的验证方法相比,新的验证方法能够更有效过滤错误检测线段,从而显着提高检测精度。研究直线段检测的评估算法,完善现有的测评体系,并对所提出的检测算法进行系统地评估。在过去的研究发展中,缺乏一个客观合理的评价体系。我们从主观测评和客观测评两个方面对检测结果进行评估。在主观评估方面,对直线段检测效果给出一个系统的定义;在客观评估方面,完善了客观测评模型,设计和实现评估算法。通过实验分析验证了提出的客观测评算法的有效性。最后,给出了本文所提出的直线段检测算法和对比算法的测评结果。
邹恒[9]（2020）在《高密度柔性基板中的线路几何缺陷检测技术研究》文中研究说明高密度柔性集成电路基板（Flexible Integrated Circuit Substrate,FICS）是一种为电子元器件提供线路载体的高度密柔性电路板。随着电子产业的蓬勃发展,FICS也向体积小,线路密集的方向发展,其线宽、线距等线路几何尺寸已达到微米级别。但人工目检的缺陷检测方法无法对线路密集的高密度FICS线路几何尺寸进行测量,因此采用高精密的自动光学检测（AOI）系统来测量线路几何尺寸进而检测线路几何缺陷是目前的迫切需求。本文基于高密度柔性基板的线路几何缺陷检测问题,对检测算法中的轮廓提取,直线曲线检测技术进行了研究,文章主要工作如下:（1）提出了一种基于灰度直方图的迭代阈值分割方法。该方法根据FICS图像的灰度直方图形状特点,通过将直方图分为三类进行多次Oust阈值分割迭代得到满足精度的合适阈值,最后使用该阈值可以快速精准地分割出FICS线路和背景。（2）提出了一种基于多特征融合和智能路径探索的轮廓检测算法。通过图像的亮度特征选取锚点,然后根据轮廓处于不同的线路情况下通过结合局部多尺度特征进行智能启发式轮廓探索来连接这些锚点,最后得到完整的高质量轮廓。（3）设计了一种基于轮廓提取与有效性判定的快速直线、曲线检测算法及其对应的线路几何缺陷检测算法。首先采用本文提出的基于多特征融合和智能路径探索的轮廓检测算法提取线路的轮廓,接着对直线进行定位和标准线宽线距测量,然后基于轮廓对直线曲线进行检测,最后对剩余轮廓进行计算分析,检测出对应的线路几何缺陷。
谢帅[10]（2020）在《基于多视角互补的SLAM算法研究》文中研究表明同步定位与地图构建（Simultaneous Localization And Mapping,SLAM）是人工智能领域的热门研究话题。SLAM即智能体借助自身传感器所测量的环境信息,确定自身位置和姿态,以及周围环境的三维地图的过程。SLAM技术广泛应用在自动驾驶、自主移动机器人、虚拟现实、增强现实等领域。例如,智能车通过测量周围场景信息,基于SLAM进行自身定位以及对场景的建模分析,从而及时、准确避障和规划行驶路径。家庭服务机器人借助SLAM技术确定自身位置并构建三维环境地图,以规划路径并与环境进行交互。视觉SLAM是SLAM的分支,其输入为连续的场景序列图像,输出为相机位姿和环境的三维地图。目前,视觉SLAM算法已取得较大进展,但仍存在诸多不足,具体问题包括:1.现有SLAM算法在进行捆绑优化时,对从图像序列帧中检测到的所有特征数据,包括特征点和特征线等,不加区分地统一处理。然而,所检测特征往往包含众多噪声,干扰SLAM计算过程,导致定位精度下降。2.现有SLAM算法多以定位为主,在地图构建方面的表现差强人意。比如基于直线的SLAM算法,所重建地图质量普遍较低,存在线条不完整、杂乱等情况。3.不少学者将点、线等多种特征融入SLAM框架中,以应对挑战性场景,然而这些方法在定位和建图过程中,依然将每类特征作为独立的个体,忽略了特征之间的关联,地图重建质量受限。在综合分析前述问题的基础上,本文构建了一种基于多视角互补的SLAM技术框架。相比传统SLAM框架,所提出框架充分利用了二维观测之间的时序关联和几何对应关系,从而有效解决前述问题。基于此框架,所开展的具体工作如下:1.针对现有SLAM算法无法有效抑制不可靠特征的问题,提出利用多视角信息对三维特征进行可信度量,从而抑制不可靠数据带来的误差影响。通过实验验证了所提出的基于可信度度量的SLAM算法能够有效提升定位准确度。2.针对现有SLAM算法的三维地图重建效果不佳的问题,提出构建线条序列,在位姿优化后,对序列进行端点优化,以提升端点准确度,从而提升重建地图中三维线条的完整度。通过在多个场景上的重建实验验证了所提出的融合线条序列优化模块的SLAM算法在提升建图效果方面的有效性。3.针对现有SLAM算法忽略不同类型特征之间关联的问题,提出在多视角互补框架下,根据特征之间的结构关系建立复合特征。在捆绑优化时,利用复合特征优化三维地图。实验证明:所提出的融合复合特征优化模块的SLAM算法能够进一步提升地图重建质量。
二、一种基于多特征融合的直线提取算法（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、一种基于多特征融合的直线提取算法（论文提纲范文）
（1）基于机器视觉的三极管外观缺陷检测系统研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 课题背景与意义 |
| 1.2 外观缺陷检测技术应用与研究现状 |
| 1.2.1 外观缺陷检测技术应用现状 |
| 1.2.2 外观缺陷检测技术研究现状 |
| 1.3 主要研究内容 |
| 第二章 三极管外观缺陷检测系统总体方案设计 |
| 2.1 课题检测要求 |
| 2.1.1 检测对象介绍 |
| 2.1.2 技术指标要求 |
| 2.2 课题检测要求分析 |
| 2.3 缺陷检测系统总体方案设计 |
| 2.3.1 硬件系统设计 |
| 2.3.2 检测系统标定 |
| 2.3.3 软件系统设计 |
| 2.4 本章小结 |
| 第三章 基于局部特征融合的ROI定位与分区算法 |
| 3.1 三极管图像分析 |
| 3.2 图像预处理方法 |
| 3.2.1 ROI粗划分 |
| 3.2.2 图像分割 |
| 3.3 基于局部特征融合的快速旋转匹配算法 |
| 3.3.1 局部圆弧特征匹配定位 |
| 3.3.2 局部引脚特征匹配定位 |
| 3.3.3 基于RANSAC的改进直线检测算法 |
| 3.3.4 基于仿射变换的旋转匹配 |
| 3.4 ROI定位与分区 |
| 3.4.1 旋转匹配定位坐标转换 |
| 3.4.2 ROI分区 |
| 3.5 试验结果与分析 |
| 3.5.1 试验条件介绍 |
| 3.5.2 直线检测算法精度对比试验 |
| 3.5.3 旋转匹配定位算法实时性对比试验 |
| 3.6 本章小结 |
| 第四章 基于K-Means的封装区域缺陷检测算法 |
| 4.1 封装区域图像分析 |
| 4.1.1 封装区域图像问题描述 |
| 4.1.2 封装区域缺陷检测算法流程 |
| 4.2 基于K-Means的改进图像分割算法 |
| 4.2.1 K-Means聚类 |
| 4.2.2 基于改进策略的K-Means初始聚类中心选取 |
| 4.2.3 图像分割 |
| 4.3 封装区域缺陷检测 |
| 4.3.1 混料检测 |
| 4.3.2 图像掩模操作 |
| 4.3.3 图像差分法 |
| 4.3.4 半包三极管缺陷检测 |
| 4.3.5 全包三极管缺陷检测 |
| 4.4 试验结果与分析 |
| 4.4.1 试验条件介绍 |
| 4.4.2 图像分割算法实时性对比试验 |
| 4.4.3 缺陷检测算法验证试验 |
| 4.5 本章小结 |
| 第五章 基于多视图的引脚缺陷检测算法 |
| 5.1 引脚图像分析 |
| 5.1.1 引脚图像问题描述 |
| 5.1.2 引脚缺陷检测算法流程 |
| 5.2 图像预处理方法 |
| 5.2.1 引脚端面ROI图像粗划分 |
| 5.2.2 图像滤波 |
| 5.2.3 图像分割 |
| 5.3 基于边缘基准的引脚端面位置检测算法 |
| 5.3.1 基于Canny的基准定位方法 |
| 5.3.2 引脚端面相对位置检测 |
| 5.4 基于自适应掩模的引脚表面缺陷检测算法 |
| 5.4.1 自适应掩模生成方法 |
| 5.4.2 多特征组合的缺陷检测 |
| 5.5 试验结果与分析 |
| 5.5.1 试验条件介绍 |
| 5.5.2 引脚端面位置检测算法验证试验 |
| 5.5.3 引脚表面缺陷检测算法验证试验 |
| 5.6 本章小结 |
| 第六章 缺陷检测系统软件设计与试验分析 |
| 6.1 缺陷检测系统软件设计 |
| 6.1.1 检测参数配置模块设计 |
| 6.1.2 在线检测模块设计 |
| 6.1.3 数据管理模块设计 |
| 6.1.4 Mapping显示模块设计 |
| 6.2 缺陷检测系统试验分析 |
| 6.2.1 缺陷检测系统算法实现过程验证 |
| 6.2.2 缺陷检测系统算法时间效率分析 |
| 6.2.3 缺陷检测系统准确率试验 |
| 6.2.4 误差分析 |
| 6.3 本章小结 |
| 第七章 结论与展望 |
| 7.1 结论 |
| 7.2 创新点 |
| 7.3 展望 |
| 致谢 |
| 参考文献 |
| 附录:攻读硕士学位期间获得的科研结果 |
（2）基于多特征基元融合的智能车辆定位方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 智能车辆自主定位研究概述 |
| 1.2.2 视觉里程计研究概述 |
| 1.2.3 视觉SLAM研究概述 |
| 1.2.4 综合评述 |
| 1.3 论文研究内容及技术路线 |
| 2 基于视觉点特征的智能车辆位姿估计 |
| 2.1 相机模型 |
| 2.1.1 针孔相机成像模型 |
| 2.1.2 相机畸变矫正模型 |
| 2.2 位姿变换数学模型 |
| 2.2.1 位姿描述 |
| 2.2.2 坐标系映射模型 |
| 2.3 图像预处理 |
| 2.4 基于点特征的视觉里程计 |
| 2.4.1 点特征提取 |
| 2.4.2 点特征匹配 |
| 2.4.3 位姿估计 |
| 2.5 本章小结 |
| 3 基于视觉点线特征融合的智能车辆自主定位 |
| 3.1 线特征提取跟踪 |
| 3.1.1 线特征提取 |
| 3.1.2 线特征跟踪 |
| 3.2 线特征参数化 |
| 3.2.1 普吕克坐标系表示 |
| 3.2.2 正交坐标系表示 |
| 3.2.3 线特征投影误差雅可比矩阵 |
| 3.3 基于多特征基元融合的位姿估计 |
| 3.3.1 点线融合模型 |
| 3.3.2 点线特征的匹配跟踪 |
| 3.3.3 点线融合位姿估计算法 |
| 3.4 本章小结 |
| 4 基于回环检测多路径融合的智能车辆重定位 |
| 4.1 回环检测原理 |
| 4.2 回环检测方法 |
| 4.2.1 基于里程计的回环检测方法 |
| 4.2.2 基于外观的回环检测方法 |
| 4.3 路径融合与位姿变换 |
| 4.3.1 重定位 |
| 4.3.2 多路径融合 |
| 4.3.3 多路径融合定位试验 |
| 4.4 本章小结 |
| 5 试验 |
| 5.1 试验平台设计 |
| 5.1.1 软件平台 |
| 5.1.2 硬件平台 |
| 5.1.3 双目相机模型 |
| 5.2 试验验证 |
| 5.2.1 基于公开数据集试验验证 |
| 5.2.2 基于真实道路试验验证 |
| 5.2.3 试验结果对比 |
| 5.3 本章小结 |
| 结论 |
| 参考文献 |
| 攻读硕士学位期间发表学术论文情况 |
| 致谢 |
（3）基于多特征融合的茶叶外观品质分级检测技术研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 课题研究背景及意义 |
| 1.2 机器视觉技术发展现状 |
| 1.3 茶叶品质审评方法现状 |
| 1.3.1 人工感官评级方法 |
| 1.3.2 电化学审评方法 |
| 1.3.3 机械设备的茶叶品质分级方法 |
| 1.3.4 光谱技术在茶叶审评中的应用 |
| 1.3.5 计算机视觉技术在茶叶审评中的应用 |
| 1.4 茶叶品质审评的发展趋势及存在问题 |
| 1.5 课题研究的组织结构 |
| 1.5.1 课题研究的对象 |
| 1.5.2 课题研究的技术路线 |
| 1.5.3 课题研究内容的章节安排 |
| 1.5.4 课题研究的创新点 |
| 1.6 本章小结 |
| 2 图像采集平台搭建与图像预处理 |
| 2.1 茶叶样本图像采集实验平台搭建 |
| 2.2 图像理论基础算法 |
| 2.2.1 颜色模型 |
| 2.2.2 图像灰度化 |
| 2.2.3 图像的平滑 |
| 2.2.4 图像边缘检测 |
| 2.2.5 图像分割 |
| 2.3 本章小结 |
| 3 雀舌外观特征分析与检测方法研究 |
| 3.1 茶叶杂质识别检测方法研究 |
| 3.1.1 雀舌茶叶杂质特征分析 |
| 3.1.2 基于霍夫变换的茶叶杂质检测算法研究 |
| 3.2 茶叶色泽特征分析与检测方法研究 |
| 3.2.1 雀舌颜色特征分析 |
| 3.2.2 基于颜色矩的颜色特征算法研究 |
| 3.3 茶叶形状特征分析与检测方法研究 |
| 3.3.1 雀舌茶叶形状特征分析 |
| 3.3.2 基于Hu不变矩的形状特征算法研究 |
| 3.4 本章小结 |
| 4 基于PCA优化的特征选择与SVM识别 |
| 4.1 基于PCA的特征选择 |
| 4.2 基于PCA—SVM茶叶数据融合的分类识别模型的建立 |
| 4.2.1 支持向量机的原理 |
| 4.2.2 多分类支持向量机 |
| 4.2.3 特征优化的支持向量机分类算法实现 |
| 4.3 本章小结 |
| 5 引入多特征融合思想的决策理论分级检测方法研究 |
| 5.1 数据融合概述 |
| 5.2 D-S证据理论 |
| 5.2.1 D-S决策理论融合规则 |
| 5.2.2 基于茶叶外观特征的D-S证据理论分级识别实现 |
| 5.3 仿真分级实验测试结果比较 |
| 5.4 本章小结 |
| 总结与展望 |
| 参考文献 |
| 攻读硕士学位期间发表论文及科研成果 |
| 致谢 |
（4）基于多视觉特征融合的古陶瓷断代方法研究及系统实现（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 1 绪论 |
| 1.1 课题研究背景及研究现状 |
| 1.1.1 古陶瓷鉴定研究背景 |
| 1.1.2 古陶瓷鉴定研究现状 |
| 1.2 古陶瓷断代鉴定研究目的及意义 |
| 1.3 论文主要研究工作及章节安排 |
| 2 基于机器学习的古陶瓷断代系统总体方案 |
| 2.1 古陶瓷背景知识及关键特征量研究 |
| 2.1.1 古陶瓷相关知识 |
| 2.1.2 古陶瓷形状类特征 |
| 2.1.3 古陶瓷纹饰类特征 |
| 2.1.4 古陶瓷颜色类特征 |
| 2.2 古陶瓷断代技术难点分析 |
| 2.3 古陶瓷断代系统总体方案 |
| 2.4 本章小结 |
| 3 古陶瓷图像数据集构建及预处理 |
| 3.1 古陶瓷图像数据集的构建 |
| 3.2 古陶瓷图像预处理算法 |
| 3.2.1 古陶瓷图像增强 |
| 3.2.2 古陶瓷图像分割 |
| 3.2.3 古陶瓷图像主视矫正还原 |
| 3.2.4 古陶瓷图像矫正效果 |
| 3.3 本章小结 |
| 4 古陶瓷断代外观特征提取 |
| 4.1 纹饰特征提取 |
| 4.1.1 纹饰区域定位及分割 |
| 4.1.2 古陶瓷纹饰特征量提取 |
| 4.2 器型特征提取 |
| 4.2.1 古陶瓷器型建模 |
| 4.2.2 古陶瓷器型特征量提取 |
| 4.3 本章小结 |
| 5 基于多特征信息融合的古陶瓷断代算法研究 |
| 5.1 古陶瓷断代模型选取 |
| 5.1.1 支持向量机 |
| 5.1.2 决策树 |
| 5.1.3 K近邻法 |
| 5.1.4 人工神经网络 |
| 5.2 古陶瓷多特征融合分类器构建 |
| 5.2.1 古陶瓷断代分类器构建与优化 |
| 5.2.2 古陶瓷多特征融合断代算法 |
| 5.3 古陶瓷断代仿真结果及分析 |
| 5.3.1 古陶瓷断代仿真环境 |
| 5.3.2 古陶瓷断代结果及分析 |
| 5.4 本章小结 |
| 6 古陶瓷断代软件系统 |
| 6.1 古陶瓷断代软件系统框架 |
| 6.2 古陶瓷断代软件系统实现 |
| 6.2.1 古陶瓷断代系统软件开发环境 |
| 6.2.2 古陶瓷断代系统功能模块的搭建 |
| 6.3 古陶瓷智能辅助断代鉴定系统效果 |
| 6.3.1 古陶瓷断代系统功能模块测试 |
| 6.3.2 古陶瓷断代系统性能测试 |
| 6.4 本章小结 |
| 7 总结与展望 |
| 7.1 本文工作总结 |
| 7.2 未来工作展望 |
| 致谢 |
| 参考文献 |
| 攻读学位期间发表的学术论文 |
| 攻读学位期间参与的科研项目 |
| 攻读学位期间参与竞赛及获奖情况 |
（5）航空影像辅助机载LiDAR点云的建筑物三维模型重建技术研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 国内外研究现状 |
| 1.2.1 机载LiDAR点云分类 |
| 1.2.2 建筑物屋顶面分割 |
| 1.2.3 建筑物轮廓提取与规则化 |
| 1.2.4 建筑物三维模型重建方法 |
| 1.3 主要研究内容及章节安排 |
| 1.3.1 主要研究内容 |
| 1.3.2 主要研究内容之间的关联 |
| 1.3.3 论文的章节安排 |
| 第二章 基于深度残差网络迁移学习的机载LiDAR点云分类 |
| 2.1 理论基础 |
| 2.1.1 卷积神经网络 |
| 2.1.2 深度迁移学习 |
| 2.2 基于DRN迁移学习的机载LiDAR点云分类方法 |
| 2.2.1 点云低层次特征的提取 |
| 2.2.2 点云特征图的生成 |
| 2.2.3 点云深层次特征的生成 |
| 2.2.4 分类模型构建与后处理 |
| 2.3 实验与分析 |
| 2.3.1 实验数据与方法 |
| 2.3.2 实验1:分类器的有效性分析 |
| 2.3.3 实验2:尺度和视角数量的影响分析 |
| 2.3.4 实验3:训练样本数的影响分析 |
| 2.3.5 实验4:光谱信息辅助的影响分析 |
| 2.3.6 实验5:实用性分析及对比 |
| 2.4 本章小结 |
| 第三章 结合区域增长与RANSAC的建筑物屋顶面分割 |
| 3.1 理论基础 |
| 3.1.1 区域增长 |
| 3.1.2 RANSAC |
| 3.2 结合RG与 RANSAC的建筑物屋顶面分割方法 |
| 3.2.1 可靠屋顶面片提取 |
| 3.2.2 面片优化 |
| 3.3 实验与分析 |
| 3.3.1 实验数据与方法 |
| 3.3.2 实验1:关键参数的影响分析 |
| 3.3.3 实验2:屋顶面分割效果分析 |
| 3.3.4 实验3:定量评价与分析 |
| 3.4 本章小结 |
| 第四章 基于邻域方向分布的建筑物外轮廓提取 |
| 4.1 建筑物外轮廓提取的基本思想 |
| 4.2 初始轮廓点提取 |
| 4.3 轮廓点跟踪 |
| 4.3.1 初始边集的获取 |
| 4.3.2 虚假建筑物轮廓边的删除 |
| 4.3.3 真实建筑物轮廓边的增补 |
| 4.3.4 建筑物轮廓边的跟踪与后处理 |
| 4.4 实验与分析 |
| 4.4.1 实验数据 |
| 4.4.2 实验1:参数k的影响分析 |
| 4.4.3 实验2:轮廓提取效果分析 |
| 4.4.4 实验3:定量评价与分析 |
| 4.5 本章小结 |
| 第五章 航空影像辅助的建筑物结构化三维模型重建 |
| 5.1 建筑物结构化三维模型重建的基本思想 |
| 5.2 影像直线段的提取与选择 |
| 5.3 初始屋顶面关系的构建 |
| 5.4 建筑物三维特征线的生成与连接 |
| 5.4.1 屋脊线的生成 |
| 5.4.2 阶跃线的生成 |
| 5.4.3 影像三维直线段的生成 |
| 5.4.4 特征线的连接 |
| 5.5 基于多特征线的轮廓感知编组 |
| 5.6 三维模型的生成 |
| 5.7 实验与分析 |
| 5.7.1 实验1:影像直线段选择结果分析 |
| 5.7.2 实验2:重建效果分析 |
| 5.7.3 实验3:重建模型的精度评价与分析 |
| 5.8 本章小结 |
| 第六章 总结与展望 |
| 6.1 总结 |
| 6.2 进一步研究的内容 |
| 致谢 |
| 参考文献 |
| 作者简历 |
（6）基于视觉多特征融合的三维靶标位姿估计方法研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 引言 |
| 1.2 合作目标位姿估计方法研究现状 |
| 1.2.1 目标几何特征提取方法 |
| 1.2.2 合作目标位姿估计方法 |
| 1.3 图像复原方法研究现状 |
| 1.3.1 图像盲复原方法 |
| 1.3.2 图像非盲复原方法 |
| 1.4 研究意义及研究内容 |
| 1.4.1 研究意义 |
| 1.4.2 研究内容 |
| 第二章 基于CAD模型的3D目标检测方法 |
| 2.1 引言 |
| 2.2 基于CAD模型的3D目标检测原理 |
| 2.3 3D目标图像预处理 |
| 2.4 目标检测方法 |
| 2.4.1 视点位置规划 |
| 2.4.2 模板匹配指标 |
| 2.4.3 目标确认指标 |
| 2.5 基于CAD模型的3D目标检测方法实现 |
| 2.6 小结 |
| 第三章 基于模型的3D目标离焦模糊图像恢复方法 |
| 3.1 引言 |
| 3.2 目标图像离焦退化与复原 |
| 3.2.1 图像离焦退化原理 |
| 3.2.2 图像非盲复原 |
| 3.3 基于EPCPSO的离焦图像PSF估计 |
| 3.3.1 混沌PSO算法 |
| 3.3.2 群能量保持CPSO算法 |
| 3.4 目标图像恢复质量评价指标 |
| 3.4.1 复原图像质量评价指标 |
| 3.4.2 基于模型的边缘加权图像质量评价指标 |
| 3.5 基于模型的3D目标离焦图像恢复算法及实现 |
| 3.6 小结 |
| 第四章 多特征融合的3D目标位姿估计方法 |
| 4.1 引言 |
| 4.2 目标几何特征提取及匹配方法 |
| 4.2.1 目标点特征和直线特征提取方法 |
| 4.2.2 目标面特征提取方法 |
| 4.2.3 基于模型的目标特征点匹配方法 |
| 4.3 多特征融合的位姿估计方法 |
| 4.3.1 相机成像模型 |
| 4.3.2 EPnP位姿估计算法 |
| 4.3.3 多特征融合的wEPnP算法 |
| 4.4 多特征融合的3D目标位姿估计方法实现 |
| 4.5 小结 |
| 第五章 实验与分析 |
| 5.1 引言 |
| 5.2 3D目标检测实验及分析 |
| 5.3 3D目标图像恢复实验及分析 |
| 5.4 3D目标位姿估计实验及分析 |
| 5.4.1 低分辨率仿真图像位姿估计实验及分析 |
| 5.4.2 低分辨率3D目标图像位姿估计实验及分析 |
| 5.5 3D靶标位姿估计实验及分析 |
| 5.6 小结 |
| 第六章 结论及展望 |
| 6.1 结论 |
| 6.2 展望 |
| 参考文献 |
| 致谢 |
| 作者及导师简介 |
| 附件 |
（7）定点监控下可疑违章建筑物识别关键技术研究（论文提纲范文）
| 摘要 |
| 英文摘要 |
| 第一章 绪论 |
| 1.1 研究背景 |
| 1.2 国内外相关技术研究现状 |
| 1.2.1 基于新旧时相图像的变化差异描述技术 |
| 1.2.2 基于差异图像的变化区域提取技术 |
| 1.2.3 基于变化区域的建筑物识别技术 |
| 1.3 研究内容与技术路线 |
| 1.4 论文组织结构 |
| 第二章 基本理论和方法 |
| 2.1 定点监控下可疑违章建筑物识别的技术框架 |
| 2.2 图像预处理 |
| 2.2.1 直方图均衡化算法 |
| 2.2.2 暗通道先验去雾算法 |
| 2.2.3 基于对比度的雾天检测算法 |
| 2.3 图像配准 |
| 2.4 基于新旧时相图像的变化差异描述 |
| 2.4.1 像素差值法 |
| 2.4.2 结构相似性测量 |
| 2.5 基于差异图像的变化区域提取 |
| 2.5.1 固定阈值法 |
| 2.5.2 OTSU算法 |
| 2.5.3 基于形态学重建的去噪算法 |
| 2.6 本章小结 |
| 第三章 基于多特征融合的变化差异描述算法 |
| 3.1 基于SSIM的自适应颜色迁移的像素差异描述算法 |
| 3.1.1 颜色迁移算法 |
| 3.1.2 算法原理与步骤 |
| 3.1.3 实验设计与分析 |
| 3.2 基于梯度信息的纹理差异描述算法 |
| 3.2.1 局部梯度差异算法 |
| 3.2.2 算法原理与步骤 |
| 3.2.3 实验设计与分析 |
| 3.3 基于z-score多特征融合的变化差异描述算法 |
| 3.3.1 算法原理与步骤 |
| 3.3.2 实验设计与分析 |
| 3.4 本章小结 |
| 第四章 基于模糊空间MRF的变化区域提取算法 |
| 4.1 差异图像的灰度值分布 |
| 4.2 改进的迭代式阈值分割算法 |
| 4.2.1 算法原理与步骤 |
| 4.2.2 实验设计与分析 |
| 4.3 基于MRF的变化区域提取算法 |
| 4.3.1 马尔科夫随机场的定义 |
| 4.3.2 基于MRF的图像分割算法 |
| 4.3.3 算法原理与步骤 |
| 4.3.4 实验设计与分析 |
| 4.4 基于模糊空间MRF的变化区域提取算法 |
| 4.4.1 算法原理与步骤 |
| 4.4.2 实验设计与分析 |
| 4.5 本章小结 |
| 第五章 融合深度学习的可疑违章建筑物识别方法 |
| 5.1 新旧时相图像中常见的非建筑物变化案例 |
| 5.2 基于线段特征的建筑物识别方法 |
| 5.2.1 算法原理与步骤 |
| 5.2.2 实验设计与分析 |
| 5.3 基于ResNet-152的建筑物识别方法 |
| 5.3.1 卷积神经网络模型的选择 |
| 5.3.2实验设计与分析 |
| 5.4 融合深度学习的可疑违章建筑物识别方法 |
| 5.4.1 算法原理与步骤 |
| 5.4.2 系统开发 |
| 5.4.3 实验设计与分析 |
| 5.5 本章小结 |
| 第六章 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 致谢 |
| 参考文献 |
| 攻读硕士期间取得学术成果 |
（8）多尺度直线段检测算法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 引言 |
| 1.1 研究背景 |
| 1.2 研究现状 |
| 1.2.1 全局Hough变换方法 |
| 1.2.2 局部感知组合法 |
| 1.2.3 多尺度方法 |
| 1.3 研究内容 |
| 1.4 章节安排 |
| 第二章 算法与技术背景 |
| 2.1 直线段检测 |
| 2.1.1 直线段定义 |
| 2.1.2 高斯滤波 |
| 2.1.3 图像梯度 |
| 2.1.4 LSD算法 |
| 2.2 多尺度技术 |
| 2.2.1 尺度概念 |
| 2.2.2 多尺度思想 |
| 2.3 基准数据集 |
| 2.4 本章小结 |
| 第三章 基于多尺度融合的直线段检测 |
| 3.1 问题背景 |
| 3.1.1 直线段检测的目标 |
| 3.1.2 单尺度方法的局限性 |
| 3.2 多尺度直线段检测算法 |
| 3.2.1 多尺度检测思想 |
| 3.2.2 多尺度图像生成 |
| 3.2.3 多尺度区域生长和融合 |
| 3.2.4 矩形拟合和优化 |
| 3.3 算法的实现与结果分析 |
| 3.3.1 算法实现 |
| 3.3.2 结果分析 |
| 3.4 本章小结 |
| 第四章 基于可信度分析的直线段验证方法 |
| 4.1 问题背景 |
| 4.2 直线段验证 |
| 4.2.1 局部验证方法 |
| 4.2.2 全局验证方法 |
| 4.3 实验结果和分析 |
| 4.4 本章小结 |
| 第五章 直线段评估算法 |
| 5.1 问题背景 |
| 5.2 直线段评估方法 |
| 5.2.1 主观评估 |
| 5.2.2 客观评估 |
| 5.3 实验分析 |
| 5.3.1 评估算法 |
| 5.3.2 实验结果 |
| 5.4 本章小结 |
| 第六章 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 攻读硕士学位期间主要的研究成果 |
| 致谢 |
（9）高密度柔性基板中的线路几何缺陷检测技术研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 国内外研究现状 |
| 1.2.1 基于机器视觉的电路板缺陷检测现状 |
| 1.2.2 轮廓提取现状 |
| 1.2.3 直线曲线检测现状 |
| 1.3 研究内容和难点 |
| 1.4 论文结构安排 |
| 第二章 视觉测量关键技术与系统介绍 |
| 2.1 图像预处理:滤波处理方法 |
| 2.2 几何检测:直线和曲线检测 |
| 2.2.1 直线检测算法 |
| 2.2.2 曲线检测算法 |
| 2.3 检测平台:FICS自动光学检测平台 |
| 2.4 本章小结 |
| 第三章 高密度柔性基板的轮廓提取技术 |
| 3.1 引言 |
| 3.2 基于灰度直方图的迭代阈值分割方法的轮廓提取算法 |
| 3.2.1 灰度直方图中的相关定义 |
| 3.2.2 灰度直方图滤波 |
| 3.2.3 基于三类阈值迭代的分割算法 |
| 3.2.4 实验结果与分析 |
| 3.3 基于多特征融合和智能路径探索的轮廓检测算法 |
| 3.2.1 pb算子介绍 |
| 3.2.2 带距离权重的细分Pb算子的构建 |
| 3.2.3 基于多特征融合和智能路径探索的轮廓检测算法流程 |
| 3.2.4 基于桶排序的轮廓锚点提取方法 |
| 3.2.5 智能路径连接 |
| 3.2.6 实验结果与分析 |
| 3.4 本章小结 |
| 第四章 高密度柔性基板的线路几何缺陷检测技术 |
| 4.1 引言 |
| 4.2 直线曲线检测和线路缺陷检测流程 |
| 4.3 直线曲线检测和线路缺陷检测具体实现 |
| 4.3.1 线路轮廓提取 |
| 4.3.2 快速Radon变换的直线定位和标准线宽线距测量 |
| 4.3.3 基于轮廓和赫尔姆霍兹原理的直线检测算法 |
| 4.3.4 基于轮廓的曲线检测和几何缺陷检测 |
| 4.4 实验结果与分析 |
| 4.4.1 直线定位和标准线宽线距测量实验 |
| 4.4.2 直线检测实验对比分析 |
| 4.4.3 曲线检测实验对比分析 |
| 4.4.4 线路缺陷检测实验分析 |
| 4.5 本章小结 |
| 总结与展望 |
| 参考文献 |
| 攻读硕士学位期间取得的研究成果 |
| 致谢 |
| 附件 |
（10）基于多视角互补的SLAM算法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 国内外研究现状 |
| 1.2.1 多视角优化位姿 |
| 1.2.2 多视角优化线条 |
| 1.2.3 多视角优化复合特征 |
| 1.2.4 现存主要问题 |
| 1.3 本研究课题来源 |
| 1.4 本文研究内容 |
| 1.5 论文组织结构 |
| 第2章 相关知识及数据集 |
| 2.1 相机投影模型 |
| 2.2 线特征的提取与表达 |
| 2.2.1 二维线与三维线的几何模型 |
| 2.2.2 特征线的提取 |
| 2.3 ORB-SLAM的系统框架 |
| 2.3.1 前端跟踪 |
| 2.3.2 局部建图 |
| 2.3.3 回环检测 |
| 2.4 相关数据集及评价标准 |
| 2.4.1 TUM |
| 2.4.2 7-Scenes |
| 2.5 评价标准 |
| 第3章 基于多视角互补的SLAM框架 |
| 3.1 多视角互补模型 |
| 3.2 系统整体流程 |
| 3.2.1 前端跟踪 |
| 3.2.2 后端建图 |
| 3.3 本章小结 |
| 第4章 基于多视角互补的捆绑优化 |
| 4.1 基于多视角互补的可信度量与捆绑调整 |
| 4.1.1 三维特征点的可信度量 |
| 4.1.2 三维特征线的可信度量 |
| 4.1.3 基于可信度的捆绑调整 |
| 4.2 实验结果与分析 |
| 4.2.1 可信度自对比实验与分析 |
| 4.2.2 可信度量的可视化展示 |
| 4.2.3 定位精度的实验与分析 |
| 4.2.4 运行时间的对比与分析 |
| 4.3 本章小结 |
| 第5章 基于多视角互补的线条序列优化 |
| 5.1 线条序列的互补优化算法 |
| 5.1.1 构建线条序列 |
| 5.1.2 优化线条序列 |
| 5.2 实验结果与分析 |
| 5.2.1 地图重建的可视化与分析 |
| 5.2.2 运行时间的对比与分析 |
| 5.3 本章小结 |
| 第6章 基于多视角互补的复合特征优化 |
| 6.1 复合特征的提取与优化 |
| 6.1.1 构建复合特征 |
| 6.1.2 复合特征辅助的捆绑优化 |
| 6.2 实验结果与分析 |
| 6.2.1 复合特征可视化 |
| 6.2.2 建图质量对比实验 |
| 6.3 本章小结 |
| 结论 |
| 攻读硕士学位期间发表的学术论文 |
| 参考文献 |
| 致谢 |
四、一种基于多特征融合的直线提取算法（论文参考文献）
- [1]基于机器视觉的三极管外观缺陷检测系统研究[D]. 李道伟. 江南大学, 2021(01)
- [2]基于多特征基元融合的智能车辆定位方法研究[D]. 韩治中. 大连理工大学, 2021(01)
- [3]基于多特征融合的茶叶外观品质分级检测技术研究[D]. 周敬. 成都大学, 2021(07)
- [4]基于多视觉特征融合的古陶瓷断代方法研究及系统实现[D]. 张静. 陕西科技大学, 2021(09)
- [5]航空影像辅助机载LiDAR点云的建筑物三维模型重建技术研究[D]. 赵传. 战略支援部队信息工程大学, 2020(03)
- [6]基于视觉多特征融合的三维靶标位姿估计方法研究[D]. 吴谧辰. 北京化工大学, 2020(02)
- [7]定点监控下可疑违章建筑物识别关键技术研究[D]. 陈孝烽. 东南大学, 2020
- [8]多尺度直线段检测算法研究[D]. 郑行家. 苏州大学, 2020(02)
- [9]高密度柔性基板中的线路几何缺陷检测技术研究[D]. 邹恒. 华南理工大学, 2020(02)
- [10]基于多视角互补的SLAM算法研究[D]. 谢帅. 北京工业大学, 2020(06)