《机器视觉的神经网络应用.docx》由会员分享，可在线阅读，更多相关《机器视觉的神经网络应用.docx（5页珍藏版）》请在taowenge.com淘文阁网|工程机械CAD图纸|机械工程制图|CAD装配图下载|SolidWorks_CaTia_CAD_UG_PROE_设计图分享下载上搜索。
1、机器视觉的神经网络应用（中国测试杂志）2014年第三期1纹理纹理是在局部图像中不依靠于图像的颜色和亮度，反映像素灰度空间分布的视觉属性。物质的纹理特征包含了其重要的构造组织排序5，所以，纹理特征在图像分析检索中具有广泛的应用。现有的纹理特征提取方法主要有统计分析、几何分析、信号处理和模型分析4种1，其统计分析方法在文献和理论研究中更为普遍。灰度共生矩阵方法和Tamura分析方法是两种比拟重要的分析方法，前者是建立在估计图像的二阶组合条件概率密度函数基础上的一种方法，部分公式参见文献7，后者于1978年由Tamura提出，从心理学角度进行抽象的统计分析方法。2BP神经网络神经网络是由多个非常简单
2、的处理单元相互按某种方式相互连接而成的一种非线性动力学网络系统10。其中BP神经网络应用最为广泛，具有强大的学习功能，能够实现输入到输出的非线性映射。BP神经网络是由输入层、隐层和输出层三层构造组成。标准的神经网络构造如图1所示。BP神经网络主要由前向计算和误差反应两部分组成，当给定输入层的节点为m，隐层的节点为n，输出层节点为p时，输入信号x通过输入节点到隐层的非线性计算，产生输出信号y，实现了信号由m维空间到p维的非线性映射，这是前向计算。它的部分如式1、式2所示。输出信号y与实际的信号存在误差，假如这种误差超出了设定的范围，就要反应给网络，通过调节输出层与隐层、隐层与输出层的权值和阈值来
3、减小这种误差进而到达满意，这是误差反应。误差反应的均方差计算如式3所示。3茶鲜叶分类方案设计文中所设计的方案主要由图像采集、特征提取、主成分分析和BP神经网络分类4部分组成。总体方案的设计流程图如图2所示。3.1数据采集本文搭建的数据采集系统构造如图3所示。在系统中所使用的器材主要是CCD摄像机、图像采集卡、计算机、光源环形灯、玻璃皿以及光照箱。相机镜头品牌是NavitarDO-2595，分辨率为500万像素，采用的图像采集软件为Baumer软件。实验所采集的图像都是在封闭的光照箱中进行的。在采集样品之前需要将摄像机置于茶叶样品的正上方，调节好摄像机、光源与茶叶样本的距离，而后调节镜头的光圈和
4、焦距，保证所采集的样本愈加明晰且阴影较少。调节到最优距离是镜头距纸板372mm，光源距纸板为131mm。实验所选取的为芽茶、一芽一叶和一芽两叶3种样品。每种样品的茶鲜叶随机从准备好的原料中选取2g，每种样品采集30个样本。以白色纸板作为背景颜色，将样本茶叶放置于直径为50mm、高度为20mm的玻璃皿中。3.2特征提取提取出来GRB图像在实际应用中一般都要进行灰度处理。本文截取灰度图中心的81万像素点作为特征提取所使用的图。其中，原始图片的灰度图如图4所示。选取直方图统计分析方法、灰度共生矩阵方法以及Tamura纹理方法3种主要的特征提取方法作为本文的方法。其中提取的参数主要有下面12种：粗糙度
5、、比照度、方向度、能量、惯性矩、相关性、平均值、标准差、平滑度、三阶矩、一致性、熵。其中任意选取3种茶叶样本的特征值如表1所示。3.3主成分分析主成分分析principalcomponentanalysis，PCA，它能够在特征比拟多的情况下科学而有效地约简特征的总数。特征数目较多使得神经网络构造复杂，且影响训练和预测结果。所以采用PCA方法选取重要特征，抛弃次要参数。在数据分析之前，需要对表1中的原始数据进行标准化处理，文中采用z-score标准化方法，根据这种方法得到如式4、式5所示。根据标准化矩阵的协方差矩阵可得到特征值奉献率和特征向量，根据奉献率能够得到PCA以后的数据。表2为所有特征
6、经过线性映射得到的数据，其中数据均为训练样本经过映射而得到。根据训练数据的PCA奉献率能够得到如图5所示的结果，图中6种特征奉献率排序分别是40.6003%、20.8566%、14.0226%、10.2879%、6.5531%和4.0149%，这6种特征的奉献率超过95%，选取这6种特征作为PCA的结果，完全能够表达特征。3.4BP神经网络分类预测文中选取90组数据，3种样品分别取25组数据训练神经网络，5组数据用于测试。建立一个三层的BP神经网络构造，各层传递函数都用S型函数，输入层节点数为6，隐含层节点固定为15，输出层节点数为3，误差的期望值为1e-15，学习速度为0.1，设定训练迭代次
7、数为3000次，建立预测模型对未知的15组样本进行预测。测试结果的数值如表3所示，3种茶叶的实际值在神经网络的输出层设定为0、0.5和1，其中芽茶为15组，一芽一叶为610组，一芽二叶为1115组。根据式6能够得到测试的绝对误差。测试结果图如图6所示。比照表3和图6能够发现第8组数据偏离实际值比拟多，难以判定茶叶的种类，判定错误。4结束语名优茶3种茶叶在颜色上的区别并不是很大，本文设计了以纹理作为检测茶叶外部品质的数学型。首先，搭建实验平台，通过机器视觉系统采集茶叶的原始图片；其次，经过图像灰度处理，主要依托两种统计分析方法提取图像的能量、熵、惯性矩、相关性、粗糙度等12种特征作为基础特征库，通过PCA，得到精简的茶鲜叶特征库；最后建立BP神经网络模型进行训练预测，实验获得了良好的效果。本应用尚属于实验研究阶段，样本数据是在定量、平铺、光线稳定的情况下所采集，随着环境的复杂变化，怎样愈加有效而快速地提高分辨率以及实如今线检测是今后的重要研究方向。