提出了一种基于改进特征金字塔的Mask R-CNN目标检测方法。实验结果表明，在目标边缘和包围盒两项检测中，相比于Mask R-CNN检测框架，所提方法在不同的交并比阈值下的平均准确率分别提高了约2.4%和3.8%。尤其对于中等尺寸目标的检测准确率有较大的提高，分别为7.7%和8.5%，具有较强的稳健性。

matlab圆检测代码Line-Circle-Square (LCS)：一种用于基于边缘检测的多层几何滤波器 介绍 Line-Circle-Square (LCS) 过滤器对每个定义的专家（Line、Circle 和 Square 专家）应用检测、跟踪和学习，以获得更多信息来判断场景，而不会过度计算。 每位专家之间的交互式学习提要产生了最小的错误，可以在没有映射的情况下对抗拥挤场景中压倒性的地标标志。 我们的专家基本上依赖于信任因素与几何定义的协方差来忽略、出现和比较检测到的地标。 与文献中的其他相关滤波器相比，所提出的 LCS 滤波器（和 LC 滤波器）具有以下独特优势：（1）减少了计算需求； (2)具有最小化检测时过度自信问题的能力； (3) 检测外界异常行为的实时过程，例如部分检测朝向摄像头/移动车辆的进入物体； (4) 几何计算的初级检测，它创建不同级别的信息，即用于映射和定位的低（边缘）到高（层）； (5) 多层性质使其适用于具有并行执行潜力的实时处理。 用法 要使用代码， main_offline.m从 MATLAB 命令行运行脚本main_offline.m 。 这将在离

目前国内输送带纵向撕裂检测在精度和可靠性方面不能满足要求,随着数字图像处理技术的不断发展其已被广泛应用于工业检测中,文章提出一种应用数字图像处理技术对输送带纵向撕裂检测的方法并使用蚁群算法对canny算子进行优化。实验结果表明优化的边缘检测是一种有效的输送带纵向撕裂检测方法。

猕猴桃的自动化分级中最为复杂、费时的是表面缺陷检测.猕猴桃果实表面缺陷主要包括碰压伤、划伤和日灼,检测过程包括缺陷分割和缺陷识别两个阶段.猕猴桃机器视觉采集系统采用近红外光源采集图像,并对采集图像中值滤波法去除图像采集过程中受到的各种噪声的干扰；图像分析获取最佳阈值,最后图像分割得到猕猴桃果实表面的黑色斑点区域,包括真正的缺陷区域和梗萼区域.通过试验表明,近红外光源能有效提取猕猴桃果实表面的划伤、腐烂伤和日灼缺陷,而且近红外光源图像有效地避免了传统光源图像的反射亮斑区域,通过实验结果,分析针对分割出的可疑缺陷区域如何正确识别,可利用双金字塔数据形式的盒维数快速计算方法,提出描述该区域粗糙度和纹理方向性的特征参数,依此来区分真正缺陷和梗萼区域.

通过在ip iq 算法的基础上增加一个对应于零序分量的零轴分量，形成ip iq i0 运算方式，这样可解决零序分量的问题，但会使检测方法的复杂程度大大增加。经推导，ip iq 检测法可直接应用于不对称三相四线制系统中，无需先剔除零序分量，同样能够正确检测出基波零序、负序及谐波分量，仿真结果证明其结论的正确性。

在作业现场的安全管理中, 对于非施工人员围栏跨越的监管一直是必不可少的. 但目前施工场地普遍存在作业面广、施工人员管理困难等问题, 导致人工监察的方式效率低下. 而基于视频的人体行为检测技术作为计算机视觉领域重要的研究热点, 在公共安全监控方面有着广泛应用. 因此针对传统人工监察的不足, 结合当前计算机视觉技术, 提出一种智能化的围栏跨越违规检测与识别方法. 该方法通过监控不断获取视频帧, 以视频帧组成的剪辑作为输入, 使用三维卷积和二维卷积分别提取时序和空间特征, 将两部分特征融合后进行分类和边界框回归. 最后通过设置对比试验以验证此方法效果, 实验结果表明, 该方法具有一定的泛化性.

本文提出了一种基于树和基于令牌的方法相结合的高速，高精度代码克隆检测方法。 重复的程序代码（称为代码克隆）的存在是降低软件质量和可维护性的主要因素之一。 如果一个代码片段包含错误（错误），并且将它们复制并修改到其他位置，则必须更正所有错误。 但是在大型复杂软件中查找所有代码克隆并不容易。 对于代码克隆检测已经做了很多研究工作。 代码克隆检测主要有两种方法。 一种是基于令牌的方法，另一种是基于树的方法。 基于令牌的方法速度快，所需资源更少。 但是，它无法检测所有类型的代码克隆。 基于树的方法可以检测所有类型的代码克隆，但速度慢且需要大量计算资源。 本文提出了这两种方法的组合，以提高检测代码克隆的效率和准确性。 首先，将通过基于令牌的快速而轻量级的方法来提取一些代码克隆的候选对象。 然后，将使用可找到各种代码克隆的基于树的方法来更精确地检查选定的候选对象。 开发了原型系统。 该系统接受源代码并在第一步中对其进行标记化。 然后将基于令牌的方法应用于此令牌序列以查找代码克隆的候选对象。 在提取了几个候选者之后，选定的源代码将转换为抽象语法树（AST），以应用基于树的方法。 一些示例源代码用于评

提出了一种基于卷积神经网络的前方车辆检测方法。首先，根据车底阴影特征，运用基于边缘增强的路面检测算法以及车底阴影自适应分割算法来分割并形成车底候选区域，以解决路面灰度分布不均及光照条件变化问题；其次，运用针对道路交通环境的卷积神经网络结 构，建立图像样本库进行网络训练；在此基础上，采用基于卷积神经网络识别的方法以验证并剔除被误检测为车底阴影的候选区域，进而确定真正的车辆目标；最后，修改网络为三分类识别，以验证本文方法的强扩展性的优势。实验结果表明：本文提出的车辆检测方法能够很好地区分车底阴影和非车底阴影干扰，有效地提高车辆检测的准确率和可靠性，降低误检率。

基于元算子的深度学习框架缺陷检测方法

GB∕T 7106-2019 建筑外门窗气密、水密、抗风压性能检测方法，2020年11月正式施行，此版为正式版本扫描件，绝对官方