针对光纤陀螺敏感线圈(光纤环)制备过程中,光纤的绕制张力变化和光纤环承载主轴跳动度变化等因素导致的"爬丝"和"间隙"绕制缺陷,提出基于区域的光纤环绕制缺陷检测算法,将原始光纤凹凸特征的处理转换成矩形大小及数量特征的处理。该算法在对光纤环绕制轮廓精确提取的基础上,通过对光纤环初始表面进行拟合,确定绕制光纤覆盖的最小有效区域,并实时提取区域内已绕制光纤轮廓的最小包围矩形;然后根据阈值的合理选取,计算最小有效区域内已绕制轮廓的最小包围矩形的区域大小及区域个数,以此判断绕制缺陷的种类,并标记缺陷位置。实验结果表明,在光纤环绕制轮廓精确提取的基础上,该算法可以有效识别并标记缺陷位置,对于不易受环境因素影响的"间隙"缺陷可以完全正确检出,且执行速度快,可满足缺陷实时检测的要求。

包含源码，论文，以及教学文档

目前，中国的城市化水平已超过50％，汽车保有量达到1.4亿辆。 随之而来的交通拥堵问题变得越来越突出。 如何实时，准确地获取车辆的基本信息越来越重要，以便交通部门及时管理特定路段和交叉路口的车辆。 目前，一些相关的方法和算法具有较高的实时性，但准确性不高或相反。 因此，本文提出了一种基于YOLOV2框架的车辆实时检测方法，该方法具有实时性和准确性。 该方法改进了YOLOv2框架模型，优化了模型中的重要参数，扩大了网格尺寸，并改进了模型中锚点的数量和大小，可以自动学习车辆的特征，实现实时，高精度的车辆自动检测和车辆类别识别。 对自制数据集的评估表明，与YOLOv2和Faster RCNN相比，准确率提高到91.80％，召回率提高到63.86％。

在监控视频图像中因拍摄角度的问题，导致图像中的车道线并不是竖直的。针对在此图像中选取对应块，实现车辆速度实时检测的问题，分析了车身的特征及图像中车道线的倾斜角度，选择车灯作为对应块，选取车灯存在的候选区域；然后根据车灯的对称性强度筛选车灯带，实现车灯的准确定位，并把车灯移动的距离通过摄像机标定转换到实际坐标中，从而实现车辆速度的实时检测。实验结果证明，该方法运行速度快、定位准确，因此可以广泛地应用于红绿灯路口环境中，实现视频图像的车速实时检测。

针对传统三帧差分法提取的运动目标存在大量的噪声和空洞,提出一种改进的三帧差分运动目标实时检测算法;该算法采用Surendra背景提取算法提取有效背景,对视频流中连续三帧图像分别进行背景减除,得到的结果作为反馈对背景进行选择性更新,利用HSV颜色空间去除阴影后进行三帧差分,将差分结果进行"与"运行,通过将中间帧背景减除结果与"与"运算的结果进行"或"运算,这样可以得到运动目标的完整信息;实验结果表明,该算法能够快速、完整、准确地检测出运动目标,可有效应用于实时监控系统。