機器視覺的神經(jīng)網(wǎng)絡應用范文

本站小編為你精心準備了機器視覺的神經(jīng)網(wǎng)絡應用參考范文，愿這些范文能點燃您思維的火花，激發(fā)您的寫作靈感。歡迎深入閱讀并收藏。

《中國測試雜志》2014年第三期

1紋理

紋理是在局部圖像中不依賴于圖像的顏色和亮度，反映像素灰度空間分布的視覺屬性。物質(zhì)的紋理特征包含了其重要的結(jié)構(gòu)組織排序[5]，所以，紋理特征在圖像分析檢索中具有廣泛的應用。現(xiàn)有的紋理特征提取方法主要有統(tǒng)計分析、幾何分析、信號處理和模型分析4種[1]，其統(tǒng)計分析方法在文獻和理論研究中更為普遍。灰度共生矩陣方法和Tamura分析方法是兩種比較重要的分析方法，前者是建立在估計圖像的二階組合條件概率密度函數(shù)基礎上的一種方法，部分公式參見文獻[7]，后者于1978年由Tamura提出，從心理學角度進行抽象的統(tǒng)計分析方法。

2BP神經(jīng)網(wǎng)絡

神經(jīng)網(wǎng)絡是由多個非常簡單的處理單元彼此按某種方式互相連接而成的一種非線性動力學網(wǎng)絡系統(tǒng)[10]。其中BP神經(jīng)網(wǎng)絡應用最為廣泛，具有強大的學習功能，可以實現(xiàn)輸入到輸出的非線性映射。BP神經(jīng)網(wǎng)絡是由輸入層、隱層和輸出層三層結(jié)構(gòu)組成。標準的神經(jīng)網(wǎng)絡結(jié)構(gòu)如圖1所示。BP神經(jīng)網(wǎng)絡主要由前向計算和誤差反饋兩部分組成，當給定輸入層的節(jié)點為m，隱層的節(jié)點為n，輸出層節(jié)點為p時，輸入信號x通過輸入節(jié)點到隱層的非線性計算，產(chǎn)生輸出信號y，實現(xiàn)了信號由m維空間到p維的非線性映射，這是前向計算。它的部分如式（1）、式（2）所示。輸出信號y與實際的信號存在誤差，如果這種誤差超出了設定的范圍，就要反饋給網(wǎng)絡，通過調(diào)節(jié)輸出層與隱層、隱層與輸出層的權(quán)值和閾值來減小這種誤差從而達到滿意，這是誤差反饋。誤差反饋的均方差計算如式3所示。

3茶鮮葉分類方案設計

文中所設計的方案主要由圖像采集、特征提取、主成分分析和BP神經(jīng)網(wǎng)絡分類4部分組成。總體方案的設計流程圖如圖2所示。

3.1數(shù)據(jù)采集本文搭建的數(shù)據(jù)采集系統(tǒng)結(jié)構(gòu)如圖3所示。在系統(tǒng)中所使用的器材主要是CCD攝像機、圖像采集卡、計算機、光源（環(huán)形燈）、玻璃皿以及光照箱。相機鏡頭品牌是NavitarDO-2595，分辨率為500萬像素，采用的圖像采集軟件為Baumer軟件。實驗所采集的圖像都是在封閉的光照箱中進行的。在采集樣品之前需要將攝像機置于茶葉樣品的正上方，調(diào)節(jié)好攝像機、光源與茶葉樣本的距離，而后調(diào)節(jié)鏡頭的光圈和焦距，保證所采集的樣本更加清晰且陰影較少。調(diào)節(jié)到最優(yōu)距離是鏡頭距紙板372mm，光源距紙板為131mm。實驗所選取的為芽茶、一芽一葉和一芽兩葉3種樣品。每種樣品的茶鮮葉隨機從準備好的原料中選取2g，每種樣品采集30個樣本。以白色紙板作為背景顏色，將樣本茶葉放置于直徑為50mm、高度為20mm的玻璃皿中。

3.2特征提取提取出來GRB圖像在實際應用中一般都要進行灰度處理。本文截取灰度圖中心的81萬像素點作為特征提取所使用的圖。其中，原始圖片的灰度圖如圖4所示。選取直方圖統(tǒng)計分析方法、灰度共生矩陣方法以及Tamura紋理方法3種主要的特征提取方法作為本文的方法。其中提取的參數(shù)主要有以下12種：粗糙度、對比度、方向度、能量、慣性矩、相關(guān)性、平均值、標準差、平滑度、三階矩、一致性、熵。其中任意選取3種茶葉樣本的特征值如表1所示。

3.3主成分分析主成分分析（principalcomponentanalysis，PCA），它能夠在特征比較多的情況下科學而有效地約簡特征的總數(shù)。特征數(shù)目較多使得神經(jīng)網(wǎng)絡結(jié)構(gòu)復雜，且影響訓練和預測結(jié)果。所以采用PCA方法選取重要特征，拋棄次要參數(shù)。在數(shù)據(jù)分析之前，需要對表1中的原始數(shù)據(jù)進行標準化處理，文中采用z-score標準化方法，根據(jù)這種方法得到如式（4）、式（5）所示。根據(jù)標準化矩陣的協(xié)方差矩陣可得到特征值（貢獻率）和特征向量，根據(jù)貢獻率可以得到PCA以后的數(shù)據(jù)。表2為所有特征經(jīng)過線性映射得到的數(shù)據(jù)，其中數(shù)據(jù)均為訓練樣本經(jīng)過映射而得到。根據(jù)訓練數(shù)據(jù)的PCA貢獻率可以得到如圖5所示的結(jié)果，圖中6種特征貢獻率排序分別是40.6003%、20.8566%、14.0226%、10.2879%、6.5531%和4.0149%，這6種特征的貢獻率超過95%，選取這6種特征作為PCA的結(jié)果，完全可以表達特征。

3.4BP神經(jīng)網(wǎng)絡分類預測文中選取90組數(shù)據(jù)，3種樣品分別取25組數(shù)據(jù)訓練神經(jīng)網(wǎng)絡，5組數(shù)據(jù)用于測試。建立一個三層的BP神經(jīng)網(wǎng)絡結(jié)構(gòu)，各層傳遞函數(shù)都用S型函數(shù)，輸入層節(jié)點數(shù)為6，隱含層節(jié)點固定為15，輸出層節(jié)點數(shù)為3，誤差的期望值為1e-15，學習速度為0.1，設定訓練迭代次數(shù)為3000次，建立預測模型對未知的15組樣本進行預測。測試結(jié)果的數(shù)值如表3所示，3種茶葉的實際值在神經(jīng)網(wǎng)絡的輸出層設定為0、0.5和1，其中芽茶為1～5組，一芽一葉為6～10組，一芽二葉為11～15組。根據(jù)式（6）可以得到測試的絕對誤差。測試結(jié)果圖如圖6所示。對比表3和圖6可以發(fā)現(xiàn)第8組數(shù)據(jù)偏離實際值比較多，難以判斷茶葉的種類，判斷錯誤。

4結(jié)束語

名優(yōu)茶3種茶葉在顏色上的區(qū)別并不是很大，本文設計了以紋理作為檢測茶葉外部品質(zhì)的數(shù)學型。首先，搭建實驗平臺，通過機器視覺系統(tǒng)采集茶葉的原始圖片；其次，經(jīng)過圖像灰度處理，主要依托兩種統(tǒng)計分析方法提取圖像的能量、熵、慣性矩、相關(guān)性、粗糙度等12種特征作為基礎特征庫，通過PCA，得到精簡的茶鮮葉特征庫；最后建立BP神經(jīng)網(wǎng)絡模型進行訓練預測，實驗取得了良好的效果。本應用尚屬于實驗研究階段，樣本數(shù)據(jù)是在定量、平鋪、光線穩(wěn)定的情況下所采集，隨著環(huán)境的復雜變化，如何更加有效而快速地提高分辨率以及實現(xiàn)在線檢測是今后的重要研究方向。

作者：徐海衛(wèi)胡常安湯江文李剛單位：中國測試技術(shù)研究院