基于神经网络的机器视觉图像识别算法的应用

第34卷，第4期，哈尔滨师范大学自然科学学报V01．34，No. 4 2018年哈尔滨师范大学自然科学学报基于神经网络的机器视觉图像识别算法的应用郑春，张吉山（安徽三联学院）[摘要]神经网络的机器视觉图像识别算法的应用研究神经网络的结构并模仿了神经网络的功能特性，即神经网络的并行信息处理和非线性映射功能，将建立的神经网络数学模型应用于农业中的图像识别. 机器人视觉技术被广泛应用于现代农业科学技术中. 例如，在需要对收集的图像进行分析的诸如分级，采摘和除草的操作中，图像识别是上述操作的有效早期阶段. 通过分析各种神经网络模型在图像识别中的应用，描述了各种神经网络数学模型在图像识别算法中的优缺点. 通过对基于BP神经网络数学模型的图像识别技术进行测试，验证了基于神经网络的机器视觉图像识别算法的应用价值. [关键词]图像识别；机器视觉神经网络CLC编号: TPl83文档标识号: 文章编号: 1000-5617（2018）04-0041-050引言随着计算机网络技术的飞速发展，机器视觉技术具有广泛的应用，图像处理是必不可少的在实现机器视觉技术的前提下，图像识别已成为现代科学领域的重要研究工具. 随着机器视觉技术的应用领域的增加，传统的图像处理技术已不能满足需求，人们开始研究新的图像处理技术，神经网络在图像识别算法中的应用现已成为图像识别处理技术之一，和人们的研究热点. 机器视觉图像识别的困难在于，所采集图像的质量会随着图像采集设备和外部光线的影响而变化. 所收集的图像将具有复杂性. 该图像可以是直接的视觉图像或声音信号. 图像识别是实现人机交互的中介，是机器视觉收集信息的重要环节. 如何有效地识别图像信息是实现人机交互的关键. 神经网络算法是一种通过模拟人脑神经元来处理信息的方法. 人脑可以并行地快速处理复杂信息，并可以在不同环境中提取图像信息. 可以有效地处理图像信息. 神经网络用于图像识别. 具有以下优点: 它可以并行处理图像信息，并且处理速度比传统算法快得多；具有很强的自适应能力，可以根据数学模型的建立来分析图像信息. 它可以处理图像中的非线性问题；它可以预处理噪点或图像中的噪点. 杂质数据. 在现代，许多研究人员对将神经网络应用于图像识别算法进行了许多研究.

22 J，通过研究文献发现，神经网络算法在图像处理中的图像分割，图像增强，特征提取，图像识别等，是通过神经网络建立分类器，从信息中提取特征向量. 样品分类时要进行处理. 本文介绍了各种类型的神经网络算法，分析了各种类型的优缺点，并通过文献总结了神经网络. 接收日期: 2018-03-1111·安徽省教育厅自然科学重点项目（KJ2018A0602）;安徽省三联学校计算机网络技术重点实验室专项研究成果（PTZD20180003）；三联学院服务机器人协同创新中心（zjqrl7002）应用的特殊研究成果，并以BP神经网络算法∞Nao 1为例建立数学模型，通过实验验证了神经网络算法在机器视觉中的有效性图像识别应用程序. 以下将重点介绍神经网络在机器视觉图像识别领域的应用现状和前景. 1图像识别中使用的神经网络的类型人工神经网络（ANN）通过模拟人脑神经元如何处理信息来构建数学模型，并根据神经元的连接来连接不同的非线性网络. 每条神经元节点代表一个输出功能，两个节点之间的连接代表通过连接信号产生的权重. 神经网络是一种计算机工程系统，可以模拟人脑神经元的运行机制和结构，以进行认知，理解和信息处理. 图像识别中常用的神经网络算法模型如下. 1.1自组织图网络自组织图网络是自动，自适应地和自组织地搜索收集的样本中的规则，以改变神经网络数学模型的结构. 一般的学习和分类具有一定的预言条件. 即，通过预言条件来监督神经网络的加权值的调整. 自组织映射神经网络是因为没有可以应用的先决条件. 神经网络需要能够自主学习并学习样本数据中的定律或属性. 自组织神经网络的资本组织能力是通过竞争性学习来实现的. 自组织映射神经网络的结构（如图1所示）具有一个输入层和一个竞争层，用于将相似的数据样本分组在一起，但不相似. 数据样本是分开的. 自组织神经网络≈7 3根据不同的算法，它可以分为: PCA神经网络和SOFM神经网络. 这种神经网络类型主要用于图像识别中的特征提取和图像压缩. 1.2 Hopfield网络Hopfield神经网络是一个递归循环网络（如图2所示），它是一个结合了存储系统和二进制系统的神经网络，以确保数据分析的收敛性并模拟人类记忆的方式. Hopfield神经网络是将要处理的样本转换为测量函数，以便在问题监督条件下的解值是测量函数的最小极值，以确保问题中的自组织映射神经网络结构可以使用Hopfield神经网络解决方案. Hopfield神经网络通常用于图像处理问题，例如图像识别，样本匹配和检测. 图2 Hopfield网络结构1.3反向传播网络[BP network]反向传播网络（BP网络）是根据误差反向传播的多层前馈神经网络，并使用梯度搜索技术来减小输入和输出值的均方误差. 这种神经网络可以映射所有非线性关系，还可以输入任何模式的分类能力，从而可以增强网络的识别能力并适应图像处理中的各种问题. BP网络由输入层，隐藏层和输出层组成. 其结构如图3所示. 1.4模糊神经网络模糊神经网络（如图4所示）是人工神经网络算法和模糊逻辑算法的结合，基于神经网络，建立规则库的模糊算法系统，神经网络可以表达不确定性数据也可以并行推理以提高图像处理效率. 1.5感知器网络感知器是人工神经网络算法中最简单，最基础的万方数据. 基于神经网络的机器视觉图像识别算法的第四版使用43个单位，包括一个输出和多个输入. 这是一种二元线性分类器，该神经网络算法可以收敛于该问题. 感知器神经网络可以分为单层感知器（如图5所示）和多层感知器. 多层感知器可以解决复杂的问题. 图3 BP神经网络的4模糊神经网络的结构出口区输入区模糊规则模糊区输入区输入和输出图5单层感知器网络的算法结构1.6小波神经网络双向连接存储网络（BAM）小波神经网络双向关联存储网络（BAM）是一种结合小波分析和神经网络的新型神经网络. 小波神经网络双向关联存储网络（BAM）是用小波函数和神经元作为小波元素来代替BP神经网络中的隐层功能，通过缩放和平移分析信息，提高了BP神经网络的盲性，具有较高的分析精度和收敛性好，在图像识别应用中具有良好的前景. 2神经网络在图像识别中的应用机器视觉图像处理（如图6所示）包括图像预处理，图像压缩，特征提取，图像分割和图像识别. 图形图像的数字图像基于特殊图像，并且对分割识别-抑制分割的预处理进行了预处理. 图6图像处理程序2.1图像预处理图像预处理包括图像增强，图像重建等. 下面介绍神经网络在图像预处理中的应用. 2.1.1图像增强图像增强的目的是在图像中突出显示所需的信号，并减弱杂波信号，以利于以后信息的提取. 图像增强基于非线性模型. Hopfield网络和模糊神经网络模型可用于图像增强. 2.1.2图像重建图像重建是将信息数据恢复到原始图像的过程. 将Hopfield网络算法应用于图像重建，并利用神经网络算法的并行运算能力将图像重建问题转换为Hopfield函数的优化问题，以获得图像重建的最佳解决方案. 将神经网络应用于图像重建效果良好，高效. 2.2图像压缩图像压缩也称为图像编码. 图像编码是要描述具有较少有损或无损比特的原始图像像素矩阵，从而去除多余的数据. 图像压缩后，图像数据传输速度更快. 将神经网络应用于图像压缩可以分为: 预测编码，变换编码和矢量量化. 2.3图像特征提取图像特征提取是从哈尔滨师范大学自然科学学报，2018年第1期的万方数据收集的机器视觉量中提取有效数据，以利于以后使用神经网络算法对图像进行分割和图像识别. 特征提取的数学模型可以分为两类. 一种是卷积神经网络是一种无监督的线性模型，对小规模计算具有最佳效果. 另一个是自组织映射神经网络模型，它执行图形功能. 提取提供了良好的数据结构和数据聚类效果. 特征提取效果好. 映射后可以保留的原始数据拓扑结构不会更改图像数据结构，并且可以避免数据失真. 2.4图像分割图像分割是指有效的数据分割用于图像识别，即图像中的有效区域分割. 由于神经网络算法的并行性和非线性性，神经网络算法在图像分割中的应用大致可分为两类: 基于像素的神经网络算法和基于特征分割的神经网络算法. 前者可以使用自组织映射神经网络，nopfield神经网络和其他类型的计算. 该算法计算量大且速度慢. 后者基本上是适用的. 2.5图像识别图像识别是图像处理的最后一个环节，也是最重要的环节之一. 图像识别是通过视觉机器确定目标的特征和位置. 传统的图像识别方法适用范围小，适应性差，易受环境干扰. 神经网络在图像识别中的应用与图像分割相同，白色组织映射神经网络，模糊神经网络，Hopfield神经网络算法可用于图像识别. 通过已知的图像类别实现神经网络在图像识别中的应用. 建立分类器模型，在此基础上通过分类器模型对新图像进行分类，识别图像信息. 3结论与展望用于模拟人脑神经元的神经网络信息处理方法，通过在神经网络模型中构造信息并通过特征提取获得图像中的信息，将对图像进行分类和编码，从而达到图像识别的目的，并该神经网络模型在训练阶段具有良好的收敛性，可以对该算法进行优化以提高计算效率，从而获得最优解. 通过学习神经网络类型，总结了神经网络在图像识别中的应用优势. 尽管神经网络算法已广泛应用于机器视觉图像识别中，但仍然需要解决一些问题，例如，用于图像预处理的神经网络算法都是非自适应的. 神经网络模型是特定的. 如果模型发生变化，则需要重新确定模型中的加权值;该模型在图像识别中处理的数据量很大，不适合实时图像识别，并且在机器视觉应用中无法实现实时导航. 为了克服神经网络在图像识别中的不足，可以结合使用其他算法来建立混合模型来处理图像识别问题，研究和结合其他算法也是当前的研究方向. 神经网络在机器视觉图像识别算法中的应用具有良好的发展前景. 参考文献[1]陈永涛，郭小英，陶慧洁. 基于深度学习的图像识别模型研究综述[J]. 电子世界，2018（04）: 65-66. [2]傅龙生，冯亚莉，Elkamil Tola等. 基于卷积神经网络的野外多聚类猕猴桃图像识别方法[J]. 农业工程学报，2018，34（02）: 205-211. [3]赵鹏超，齐大为. 基于卷积神经网络和叶纹理的树种识别研究[J]. 森林工程，2018，34（01）: 56-59. [4]易世东. 基于深度学习的图像识别算法研究[J]. 网络安全技术与应用神经网络算法图像识别，2018（01）: 39-41. [5]秦天祖. 基于人工智能的场景识别算法[J]. 电子世界，2018（01 ,: 43-44. [6]程曦，吴云志，张有华，等. 基于深度卷积神经网络的储粮害虫图像识别[J]. 中国农学通报，2018， 34（01）: 154-158. [7]袁音，王东斌，刘永进. 基于深度学习的植物图像识别方法研究[J]. 现代农业科技，2017（23）: 278-280. [8]韩兴硕，林伟. 深度卷积神经网络在图像识别算法中的研究与实现[J]. 微型计算机与应用，2017，36（21）: 54-56. [9]屈志林. 深度学习网络苹果表面病损图像识别应用[D]. 南京邮电大学，2017. [10]杨健，邹阳. 基于智能图像识别的番茄典型病害远程诊断系统研究[J]. 软件指南， 2017，16（09）: 199 -201. [11]毕立恒，刘云凯. 基于imp的植物叶片图像识别研究改进的神经网络算法[J]. 激光与光电子学进展，2017，54（12）: 178-184. [12]秦峰，刘东霞，孙炳达，等. 基于深度学习和支持向量机的四种苜蓿叶病图像识别[J]. 中国农业大学学报，2017，22（07）: 123-133. [13]郭蓉. 基于Caffe的图像分类技术框架[J]. 电子技术与软件工程，2017（13）: 82. [14]张飞云，陈静. 基于扩展神经网络的作物叶片病害图像识别[J]. 电子世界，2017（12）: 123-124，+127. 基于神经网络的机器视觉图像识别算法在《万方数据》第四期中的应用[45] [15]马晓丹神经网络算法图像识别，刘刚，周伟，等. 基于量子遗传模糊神经网络的苹果果实识别[J]. 农业机械学报，2013，44（12）: 227-232，+251. [16]闫平凡，张长水. 人工神经网络与模拟进化计算: 第二版[M]. 北京: 清华大学出版社，2005，[17]王宏勇，曹启新，刘文秀，等. 基于神经网络的黄瓜等级识别[J]. 农业机械学报，1999，30（6）: 83-87. [18] ShiY. EberhartR. 粒子群优化[R]中的参数选择. 伦敦: Springer-Veflag，1998年. 591-601. [19] Irfan S Ahmad，John F Reid，Marc in R Pau lsen等. 关键词: 有症状大豆，图像处理植物病害，1999，83（4）: 320-327. [20]冯少辉，周平，钱峰. 确定神经网络初始权重的新方法[J]. 工业仪器仪表与自动化，2006（1）: 65-69. [21]孙健. 利用粒子群算法和神经网络实现传感器误差补偿[J]. 电子元器件，2005，24（12）: 17-19. [22]周凯丽，康耀宏. 神经网络模型与MATLAB仿真程序设计[M]. 北京: 清华大学出版社，2005. [23] Joon K P.使用改进的Hopfield网络进行图像复原[J]. IEEE Transactions on Image Processing，1992，1（1）: 49-63. [24]健一郎Y，秀文S，正秀0.

使用离散霍普菲尔德神经网络恢复退化的字符点图像[A]. 数字信号处理研讨会论文集[E]. 1996.287-290. [25] Celebi M E，Degyves J P.细胞神经网络环境中的彩像处理[J]. 1EEE在神经网络上的交易，1996，7（5）; 1086-1098. [26] and Shan j C，Wlodzimierz K，Wladyslaw S.带有部分数据的主成分分析的自适应学习算法[J]. 控制论与系统，1996（2）: 1014-1019. [27]张成，王勇，赵媛，等. 改进的自组织特征映射算法及其在图像矢量量化中的应用[J]. 兰州大学学报，1997，33（2）: 39-43. 遗传算法在计算机网络优化设计中的应用郑春，张吉山（安徽三联大学）摘要: 对于计算机网络优化问题，研究重点一般是算法研究. 遗传算法是适合解决多目标优化问题的智能优化算法. 计算机网络优化问题本质上是一个非线性0-1问题，它具有多个约束条件. 本文以计算机网络的概念为基础，介绍了计算机网络的特点，并对其进行了实验室分析，分析了计算机网络优化的影响因素，并重点研究了计算机网络的可靠性. 针对计算机网络优化问题，建立了计算机网络优化问题的数学模型，介绍了遗传算法解决计算机网络优化中0-1问题的操作步骤. 遗传算法用于求解计算机网络数学模型. 在计算机网络优化设计实例中，实验计算结果表明，遗传算法可以在计算机网络优化设计的数学模型中获得最优解，可以很好地调和网络设计性能之间的矛盾，提高计算机的性能. 网络. 计算精度，减少计算时间和成本. 关键词: 遗传算法计算机网络;网络优化；数学模型（主编: 季春阳）万方数据

本文来自电脑杂谈，转载请注明本文网址：
https://www.pc-fly.com/a/jisuanjixue/article-256709-1.html