针对转向架侧架空间狭小以及不确定光照条件下难以通过传统的视觉系统及算法实现枕簧端面缺口定位的问题，本团队提出了一种基于线激光光斑特征的枕簧缺口视觉间接定位方法。通过对K6型转向架承载弹簧和减振弹簧这两类枕簧外簧第一、第二层簧圈的尺寸特征进行分析，并采用最小二乘法拟合尺寸数据，分别建立了两类枕簧簧圈高度比值与枕簧端面缺口方位对应关系的数学模型。采用YOLOv3-tiny目标检测算法实现了复杂背景下枕簧的检测与感兴趣区域(ROI)的分割，基于阈值分割和边界框拟合算法提出了激光光斑高度自适应求解方法，该方法提升了定位方法的灵活性。试验结果表明，所提方法的定位精度在－5°～＋5°以内，单次定位时间不超过0.15 s，而且对光照强度的变化具有很强的鲁棒性。

活体细胞有丝分裂过程的发生具有时间和空间上的随机性,自动识别并准确定位活体细胞的有丝分裂对科研人员而言充满挑战。提出一种基于深度学习的自动识别并定位活体细胞有丝分裂的检测方法。通过改进YOLOv3主干网络并引入注意力机制,构建名为DetectNet的深度神经网络。在明场显微成像条件下,获取多尺寸活体细胞图像并构建数据集对网络进行训练,并对DetectNet与多个目标检测算法进行对比,验证其有效性。实验结果表明,针对活体细胞的明场显微图像,DetectNet能够高效地从不同尺寸大视场图像中直接识别并定位有丝分裂细胞,同时具有较高的检测精度和较快的检测速度,因而在生物和医学领域具有非常大的潜在应用价值。

空对地环境下成像视角单一,且需要依靠深层网络提供强特征表达能力。针对深层网络存在的计算量大、收敛速度慢等问题,在稠密连接网络(DenseNet)框架下,提出了一种用通道差异化表示的目标检测网络模型。首先,用DenseNet作为特征提取网络,并用较少的参数加深网络,以提高网络对目标的提取能力;其次,引入通道注意力机制,使网络更关注特征层中的有效特征通道,重新调整特征图;最后,用空对地目标检测数据进行了对比实验。结果表明,改进模型的平均精度均值比基于视觉几何组(VGG16)的单步多框检测算法高3.44个百分点。

目前CNN成为计算机视觉领域, 特别是目标对象检测技术的主流方法之一。自然场景中的文本信息与一般目标对象不同, 目标检测算法对自然场景文本检测的鲁棒性差, 检测结果中的细小文本区域容易漏检, 狭长文本区域检测的完整性较差。针对这一问题, 对自然场景文本信息特征分析, 提出了一种基于级联CNN的自然场景文本检测方法。该方法利用检测模型尽可能地发现疑似文本区域, 然后利用分类模型分类筛选出最终的文本区域。在SSD目标检测算法的基础上, 设计一种适用于自然场景文本的检测模型; 然后对检测模型得到的疑似文本区域使用非极大值抑制和融合操作, 消除重叠检测对结果的影响; 最后使用针对性训练的分类模型对得到的候选区域进行分类筛选, 得到最终的检测结果。该方法在数据集ICDAR2013上的召回率、准确率和F值分别为0.77、0.81和0.79, 对于自然场景图像的文本检测有着较强的鲁棒性, 能够有效地检测到图中细小的文本区域, 明显改善狭长文本区域检测不全的情况。