1 北京交通大学计算机与信息技术学院交通数据分析与挖掘北京市重点实验室, 北京 100044
2 北京交通大学计算机与信息技术学院, 北京 100044
基于深度学习的裂纹检测方法严重依赖大量的像素级标注信息,为此提出一种基于半监督学习的裂纹检测方法。该方法将多尺度模块引入到裂纹检测的网络模型中,仅利用小部分的像素级标注数据进行全监督训练。对于无标签数据,融合多种显著性区域检测方法生成伪标签,可以减少对像素级标注信息的依赖。在裂纹数据集上对改进网络进行实验验证,并与常用语义分割网络和弱监督实验基准从主观评价、精度、召回率和F1-score的角度进行比较。实验结果表明,改进网络可以有效提升裂纹的识别准确率,提出的半监督训练策略在仅需6.25%像素级标注信息的情况下,能够取得与全监督方法相当的识别精度和召回率。
机器视觉 裂纹检测 语义分割 多尺度模块 半监督 激光与光电子学进展
2021, 58(6): 0615004
1 北京交通大学交通数据分析与挖掘北京市重点实验室, 北京 100044
2 中国铁道科学研究院基础设施检测研究所, 北京 100081
传统的视频拼接模型和图像对齐方法中, 耗时的图像匹配和复杂的光流计算一直是实时拼接的性能瓶颈。提出了一种车载前向运动视频的实时全景成像方法, 该方法充分利用物理场景的几何结构和列车的运动信息来构造视频的拼接区域, 并建立几何模型实现了拼接区域的对齐。整个拼接避免了复杂的图像处理过程, 实现了铁路全景图的实时获取, 同时也提供了一种轻量级的视频全景索引方式, 降低了视频数据的存储和访问开销。
机器视觉 全景成像 实时拼接 车载视频 前向运动 铁路环境
1 北京交通大学交通数据分析与挖掘北京市重点实验室, 北京 100044
2 中国铁道科学研究院基础设施检测研究所, 北京 100081
装载有视频采集设备的巡检列车已被应用于铁路环境监测中。提出了一种从前向运动的列车车载视频中生成铁路环境立体全景图的方法，该方法仅使用一个摄像设备即可获取整个场景的立体全景信息。基于场景的几何先验和标定的相机参数从视频序列中连续地抽取一组梯形窄带作为完全采样拼接区域，窄带的宽度根据车速自动调节，将所有窄带经单应性变换修正后拼接得到全景图像，并据此构建准确的几何模型来生成全景立体像对。实验结果表明，该方法能够快速有效地生成具有立体感的全景图。与原始的视频格式相比，生成的全景图所需存储空间小，具有更广阔的视野和更强的真实感，可实现铁路场景的快速访问和沉浸式浏览。
机器视觉 立体全景图 条带拼接 车载视频 前向运动 铁路环境 光学学报
2014, 34(12): 1215005
1 北京交通大学计算机与信息技术学院, 北京 100044
2 中国青年政治学院计算机科学与应用中心, 北京 100089
针对现有的提高线阵电荷耦合器件(CCD)成像系统的图像空间分辨率的方法存在的不足，提出了一种新的采样模式，并设计了一种高分辨率成像系统。该系统利用两个相同的线阵CCD相机进行特定的空间排列，即使得相机1和相机2的CCD阵列都倾斜θ来进行扫描取像，并利用图像校正和像素插值等图像重建方法，得到高分辨率的图像。实验结果表明，倾斜角取60°的情况下，相对于单个线阵相机在θ=0°的正常采样模式下得到的采样图像，图像的空间分辨率提高了1倍，且保持了成像的视野不变。本系统工程上实现简单，十分经济且便于维护，仅利用现有的成像装置即可获取更高分辨率的图像。
成像系统 高分辨率 折线采样 线阵电荷耦合器件
