卷积神经网络现状

前言：想要写出一篇令人眼前一亮的文章吗？我们特意为您整理了5篇卷积神经网络现状范文，相信会为您的写作带来帮助，发现更多的写作思路和灵感。

卷积神经网络现状范文第1篇

关键词：无人机；STM32；道路检测；神经网络；模型训练

传统的道路巡检和保养主要由人工来完成，需要投入大量的人力物力来保证道路的相对安全，这种方式存在着低效率、高成本且难以保证道路的决定安全[1]。固定式交通检测设备大量设置在道路的主干路上，也存在着一些缺陷：（1）监控摄像头不能做到全覆盖且具有一定的探测盲区。（2）监控系统采用多屏幕方式，工作人员进行道路故障判断时受限。（3）不能灵活的通知有关部门对事故的快速应急处理。为了克服上述的缺点，本文设计了一种基于卷积神经网络的无人机道路巡检系统，对发生故障和需要保养的道路能快速响应，及时的通知有关部门，避免事故的发生。

1系统的总体设计

在无人机道路巡检系统中，我们主要考虑了以下几个要求[3]：（1）无人机系统能满足正常的工作；（2）无人机系统能适应各种天气和气候变化等；（3）无人机系统应充分考虑控制的安全性；（4）视频流的传输应避免较长的延时。无人机道路巡检系统主要由无人机系统设计、远程控制系统、PC端系统三大部分组成，系统的总体结构框图如图1所示。系统的具体工作原理为：无人机将道路环境检测的结果，将处理后的视频流通过远程传输的方式，发送到PC端进行实时监控道路状况。远程控制系统以STM32作为主控芯片，主要包括在无人机端和遥控端两个部分，遥控端将控制指令通过2.4G通信发送到无人机端，此时无人机的做出相应的位姿变化，完成遥控端对无人机位姿的控制。无人机系统的图像采集模块芯片为树莓派，完成图像的采集并采用TCP通信实现远程视频的传输，将获取的视频流传输到PC端。PC端上使用OpenCV对图像进行处理[4]，利用深度学习模块对设计的神经网络进行数据训练，从而得到检测模型，最后在PC上接收处理过的数据并实时监测道路状况。上述工作原理可实现无人机道路巡检系统，下文将对其包括的三大模块进行说明介绍。

2无人机系统设计

本次使用的是RaspberryPi3(modelB+)作为无人机的主控制板[7]，无人机的飞行控制算法和图像采集模块集成在树莓派中。远程控制系统通过2.4G无线通信模块连接，通过控制器实现对无人机飞行和图像采集的控制。无人机系统总体结构如图2所示。

3PC端系统设计

在PC端系统设计主要分为图像预处理、模型训练和视频监控三大部分，通过TCP通信协议进行通信，TCP通信是一种面向连接的通信，可完成客户端（树莓派）和服务端（PC）的信息传递[9]。下面主要对前两部分详细介绍。

3.1图像预处理

本系统对地面裂缝检测的图像预处理流程如图3所示具体工作原理为：（1）采用加权平均灰度化对获取的无人机影像进行灰度化处理；（2）对灰度化处理后的影像进行直方图均衡化，使得影像具有高对比度和多元的灰度色调变化，为后续的滤波降噪奠定基础；（3）对处理后的影像进行滤波降噪，消除孤立的噪声点，采用方法的是中值滤波降噪；（4）使用迭代二值化处理将影像的灰度值设置合适的阈值，使得图像更简单，目标更突出，然后对图像进行分割，计算迭代的阈值，判断迭代的阈值是否收敛到某一值或者达到限定的迭代次数，如果是的话，将完成二值化处理和滤波，否则将初始二值化阈值；（5）最终完成道路故障的识别与标记。

3.2模型检测

3.2.1卷积神经网络原理使用卷积神经网络进行模型训练，首先使用卷积层实现特征的提取，原理如图4所示。如图5所示，卷积操作是模仿神经元的机制。不同的输入在权重的影响下会有不同的输出，根据损失函数的计算来不断的更新权重，直到获得合理的权重参数。初始传递的信号为x，中间通过权重w，再经过偏置b后连接在末端，最后输出信号变成wx+b。fun(•)表示激活函数，最终f(z为输出的结果，如式（1）所示。3.2.2卷积神经网络训练流程通过相机采集到的缺陷和问题图像作为训练样本，这部分是检测道路安全的关键一步，（1）训练标记数据：首先使用图像预处理中标记好的道路故障提取出来，通过卷积神经网络对标记框内的目标数据进行训练；（2）提取特征数据：将道路故障的类型统计并归纳；（3）误差反馈学习：对测试样本进行误差反馈学习，并进行测试；（4）优化训练数据：根据实际应用场景增加图像的种类和数量，不断训练模型。3.2.3故障的基本分类道路故障主要路面缺陷（例如裂缝、残缺等）和路面增加（例如长时间静止的车辆和路人），各自训练集数量为1000张。如表1所示。3.2.4实验测试为实现故障的检测，测试数据集为100张，不同类型故障数据50张，均采集自新道路且与训练样本一致，实验结果如表2所示。由表2可知，检测路面增加（例如长时间静止的车辆和路人）的准确率高达96%，但是地面缺陷的准确率相比较而言略低，可能造成的原因是：①硬件原因导致采集的图像清晰度比较低；②地面缺陷太小，无人机难以识别；③训练的数据集较少，特征学习误差大；但是满足了设计需求，还需进一步改进。

4总结与展望

卷积神经网络现状范文第2篇

关键词 车辆自动驾驶；人工智能；应用实践；智能汽车

中图分类号 TP3 文献标识码 A 文章编号 1674-6708（2017）182-0080-02

车辆自动驾驶系统是改变传统驾驶方式的重要技术类型，但仍旧处于研发测试阶段，并未展开全面应用。车辆自动驾驶系统主要是由感知部分和控制部分构成，控制部分主要完成对车辆的控制，促使车辆按照设计的线路展开行驶，而感知部分则是对路线中障碍进行识别，促使车辆进行规避，保障车辆安全。然而现阶段，车辆自动驾驶的感知部分却存在一定的瓶颈，制约车辆自动驾驶系统的功能。基于此，本文对车辆自动驾驶中人工智能的应用展开分析，具体内容如下。

1 车辆自动驾驶现状分析

车辆自动驾驶是借助网络技术相关算法、高敏感度的传感器和相关信息采集设备，综合的对车辆行驶过程中路况信息进行采集，由信息处理部分完成对车辆行驶过程中采集数据的分析，再由控制系统完成对车辆前进、后退和停止等动作进行实施，可有效改变传统车辆的驾驶方式，在提高车辆驾驶有效性的基础上，可以解放驾驶人员的双手，并达到降低交通事故发生几率，达到智能化汽车的构建。

近年来，以百度、谷歌为首的行业，致力于人工智能技术应用车辆自动驾驶系统中，于2016年谷歌将无人驾驶的汽车测试到城市，并于2016年12月无人驾驶汽车项目剥离为独立的公司waymo，完成对车辆自动驾驶的研究，该公司的基于自动驾驶的车辆的自动行驶的距离>1.61×106km，并获得大量的数据。

较比国外的车辆自动驾驶的自主研究形式，国内主要选择汽车厂商与科研所高校等联合研究的方式，主要有一汽、上汽、奇瑞等，均投入一定资金和研究力度，致力于研发可无人驾驶的智能汽车。同时，网络技术和算法技术、硬件技术的不断成熟，为车辆自动驾驶提供了基础，对智能汽车的构建具有十分积极的意义。

随着世界各类尖端行业重视到汽车自动驾驶大有可为，逐渐加大对车辆自动驾驶的研究，并将具备车辆自动驾驶能力的汽车作为未来汽车市场的主要方向，促使汽车可以在自动驾驶的状态下，完成对复杂环境的驾驶，达到高度自动化驾驶的效果。

2 人工智能在车辆自动驾驶中的应用

人工智能是计算机科学的分支之一，所包含的领域较多，涵盖机器人、语言识别、图像识别等，随着人工智能研究的不断深入，人工智能逐渐应用到各个领域中。将人工智能应用到车辆自动驾驶中，可以对车辆自动驾驶的瓶颈进行突破，推动车辆自动驾驶的早日实现。

2.1 基于深度思考的人工智能

车辆自动驾驶系统对基于深度思考的人工智能进行应用，深度思考是一种机器学习的算法，可完成多元非线性数据转换、高级数据概念模型的构建，促使车辆自动驾驶系统的感知部分发生转变。具体的基于深度思考的人工智能学习结构，有深度神经网络（DNNs）、卷积神经网络（CNNs）、深度信念网络等，在具体的车辆自动驾驶系统中，完成对车辆的视觉、语言等信息的识别。苹果手机编制程序专家George？Hotz创建的企业，构建的基于卷积神经网络的自动驾驶车辆，并借助人工智能实现车辆训练。在具体的车辆训练过程中，选择激光雷达作为主要视觉装置，完成周边环境的精准三维扫描，进而实现对周边环境的识别，且可以完成对车位置信息的报告。

2.2 基于人工智能解读的仪表板摄像头

选择以帕洛阿尔托为基地的NAUTO使用的prosumer相机中发现的各类图像传感器，并运用运动感应器、GPS等，转变激光雷达传感器昂贵的情况，达到降低车辆自动驾驶的感知成本，并有效完成对周边地形的识别。借助NAUTO系统，不但能够完成对道路前方情况的识别，还能对车辆内部的情况信息进行采集，车辆乘坐人员可以根据面部表情、手势和语言完成对车辆的控制，达到改善人机交互界面。

2.3 基于人工智能的尾刹

现阶段，汽车辅助系统不断发展和完善，切实应用到车辆中，基于人工智能的ADAS技术，配合ACC（自适应循环）、LDWS（车道偏移报警系统）、自动泊车等系统的应用，使得目前车辆具备良好的自动能力。而ADAS技术的应用，可以使得汽车在具体运行中如果前方存在车辆或是前方存在障碍物不能绕过的情况，借助ADAS技术的应用，可以实现自动刹车，进而保障车辆的行驶安全。

2.4 感知、计划、动作的agent结构应用

车辆自动驾驶系统中对人工智能进行应用，对改善自动车辆驾驶的效果显著，改善车辆自动驾驶的效果。

借助知识库的十二构建，可以给予自动驾驶行驶过程中的地理信息、电子地图、交通信息和相关法律法规这些内容。且这些知识主要是以知识的形式展示，并借助知R推理中的A算法，可以有效完成对下一个被检查的结点时引入已知的全局信息进行解读，达到对最优路线的选择，获得可能性最大的结点，继而保障知识所搜的效率。借助感知―计划―动作agent结构的人工职能，可以将车辆自动行驶的速度分为3个档次：High、Middle、Fast，转向角度为7等，分别为0°，±10°，±20°，±30°。且可以完成对各类障碍的规避。

3 车辆自动驾驶中人工智能应用的相关问题

1）车辆自动驾驶具有良好的发展前景，而人工智能的应用，进一步优化了车辆自动驾驶系统的功能，达到减少错误的情况，借助人工智能尽可能降低各类错误的存在，规避自动驾驶风险的存在。需不断加强对人工智能的研究和分析，促使人工智能和车辆自动驾驶有机的结合，为智能汽车的构建奠定基础。

2）人工智能应用时，需要对车辆电脑程序和信息网络的安全系数进行控制，避免非法入侵对车辆造成不利影响，进而导致安全隐患的发生。

3）人工智能在具体的应用中，需要对预测和回应人类行为的问题进行处理，进而增加自动驾驶车辆与人的互动。

4）基于人工智能的智能汽车定责的法律问题，国家需要建立相关的法律法规，不断完善车辆自动驾驶的相关立法，完成对各类问题的处理，提升法律的适应性。

4 结论

分析车辆自动驾驶的现状，再详细的对人工智能在车辆自动驾驶的应用，再解读基于感知―计划―动作agent结构的人工智能的具体应用，并分析人工智能在车辆自动驾驶中应用的相关问题，为推动车辆自动驾驶的水平和智能化水平提供基础，达到改善人们生活的效果。

参考文献

[1]黄健.车辆自动驾驶中的仿人控制策略研究[D].合肥：合肥工业大学，2013.

[2]谢基雄.探析人工智能技术对电气自动化的实践运用[J].电源技术应用，2013（9）.

[3]禹昕.人工智能在电气工程自动化中的运用实践研究[J].工程技术：全文版，2016（12）：00247.

[4]余阿东，陈睿炜.汽车自动驾驶技术研究[J].汽车实用技术，2017（2）：124-125.

卷积神经网络现状范文第3篇

在为人们提供便捷服务的同时，互联网应用也存在很多安全问题及威胁，如计算机病毒、变异木马等，利用大规模互联网集成在一起产生的漏洞攻击网络，导致数据泄露或被篡改，甚至使整个网络系统无法正常运行。随着网络接入用户的增多，互联网接入的软硬件资源也更多，因此对网络安全处理速度就会有更高的要求，以便能够提高木马或病毒处理速度，降低网络病毒的感染范围，积极的响应应用软件，具有重要的作用和意义。

2网络安全防御技术应用发展现状

目前，人们已经进入到了“互联网+”时代，面临的安全威胁也更多，比如木马病毒、DDOS攻击和数据盗窃等。互联网受到的攻击也会给人们带来严重的损失，比如勒索病毒攻击了许多的大型跨国公司、证券银行等，到这这些政企单位的办公电脑全都发生了蓝屏现象，用户无法进入到操作系统进行文件处理，勒索病毒要求这些单位支付一定额度的赎金才可以正常使用系统，导致许多公司损失了很多的资金。分布式服务器攻击（DDOS）也非常严重，模拟大量的用户并发访问网络服务器，导致正常用户无法登陆服务器。因此，为了提高信息安全，人们提出了防火墙、杀毒软件或访问控制列表等安全防御技术

2.1防火墙

防火墙是一种比较先进的网络安全防御软件，这种软件可以设计很多先进的规则，这些规则不属于互联网的传输层或网络层，可以运行于互联网TCP/IP传输协议栈，使用循环枚举的基本原则，逐个检查每一个通过网络的数据包，如果发现某个数据包的包头IP地址和目的地IP地址及包内容等存在威胁，就可以及时的将其清除，不允许通过网络。

2.2杀毒软件

杀毒软件是一种非常先进的程序代码，其可以查杀网络中存在的安全威胁，利用病毒库中一些收录的病毒或木马特征，判断互联网中是否存在这些类似的病毒或木马。杀毒软件采用了很多技术，如主动防御、启发技术、特征码技术、脱壳技术、行为分析等，这些都可以实时的监控访问互联网的运行状态，确保网络正常使用。目前，许多大中型企业都开发了杀毒软件，比如360安全卫士、江民杀毒、腾讯卫士、卡巴斯基等，取得了显著的应用成效。

3基于人工智能的网络安全防御系统设计

3.1系统功能分析

基于人工智能的网络安全防御系统利用机器学习或模式识别技术，从互联网中采集流量数据，将这些数据发送给人工智能模型进行分析，发现网络中是否存在网络病毒。具体的网络安全防御系统的功能包括以下几个方面：

3.1.1自动感知功能

自动感知是人工还能应用的一个重要亮点，这也是网络安全系统最为关键的功能，自动感知可以主动的分析互联网中是否存在安全隐患，比如病毒、木马等数据片段，利用这些片段特征实现网络病毒的判断。

3.1.2智能响应功能

人工智能在网络安全系统中可以实现智能响应，如果一旦发现某一个病毒或木马侵入网络，此时就需要按照实际影响范围进行智能度量，影响范围大、造成的损失较多就可以启用全面杀毒；影响范围小、造成的损失较少就可以启动局部杀毒，这样既可以清除网络中的病毒或木马，还可以降低网络的负载，实现按需杀毒服务。

3.2人工智能应用设计

人工智能在网络安全防御中的应用流程如下所述：目前互联网接入的设备非常多，来源于网络的数据攻击也非常多，比如DDOS攻击、网站篡改、设备漏洞等，因此可以利用人工智能技术，从根本上发现、分析、挖掘异常流量中的问题，基于人工智能的网络安全系统具有一个显著的特征，这个特征就是利用先进的机器学习技术构建一个主动化防御模型，这个模型可以清楚网络中的木马或病毒，能够有效的避免互联网受到攻击，也可以将这些病毒或木马牵引到一些备用服务器，在备用服务器上进行识别、追踪，判断网络病毒的来源，从而可以彻底根除后患。人工智能在网络安全防御中引入很多先进的杀毒技术，比如自我保护技术、实时监控技术，基于卷积神经网络、机器学习、自动审计等，可以自动化快速识别网络中的病毒及其变异模式，将其从互联网中清除，同时还可以自我升级服务。

4结束语

目前，互联网承载的应用软件非常多，运行积累了海量的数据资源，因此安全防御系统可以引入数据挖掘构建智能分析系统，可以利用人工智能等方法分析网络中是否存在一些病毒特征，即使这些病毒特征发生了变异，人工智能处理方法也可以利用先进的机器学习技术发现这些病毒的踪迹，从而可以更加准确的判断病毒或木马，及时的启动智能响应模块，将这些病毒或木马清除。人工智能在查杀的时候还可以按需提供服务，不需要时刻占据所有的负载，提高了网络利用率。

参考文献

[1]于成丽,安青邦,周丽丽.人工智能在网络安全领域的应用和发展新趋势[J].保密科学技术,2017(11):10-14.

[2]王海涛.基于大数据和人工智能技术的信息安全态势感知系统研究[J].网络安全技术与应用,2018(03):114-115.

卷积神经网络现状范文第4篇

论文摘要:当点扩展函数未知或不确知的情况下,从观察到的退化图像中恢复原始图像的过程称为图像盲复原。近年来,图像盲复原算法得到了广泛的研究。本文在介绍了盲图像恢复算法的现状的基础上进一步研究其的发展方向。

一、引言

图像恢复是图像处理中的一大领域,有着广泛的应用,正成为当前研究的热点。图像恢复的主要目的是使退化图像经过一定的加工处理,去掉退化因素,以最大的保真度恢复成原来的图像。传统的图像恢复假设图像的降质模型是己知的。而许多情况下,图像的降质模型未知或具有较少的先验知识,必须进行所谓的盲恢复。其重要性和艰巨性而成为一个研究热点。目前所能获取的观测图像是真实图像经过观测系统成像的结果。由于观测系统本身物理特性的限制,同时受观测环境的影响,观测图像和真实图像之间不可避免地存在着偏差和失真,称观测系统对真实图像产生了降质。图像恢复的目的就是根据降质的观测图像分析和计算得出真实图像。

二、图像盲恢复算法的现状

总体来说,图像盲复原方法主要分为以下两类:一是首先利用真实图像的特别特征估计PSF,然后借助估计得到的PSF,采用经典的图像复原方法进行图像的复原。这类方法将PSF的估计与图像的复原过程分为2个不同的过程,因而具有较少计算量的特点;二是PSF辨识和真实图像估计相结合,同时辨识PSF和真实图像。这类算法较为复杂,计算量较大。另外,对于点扩展函数也考虑了空间变化的复杂情况。针对目前的盲复原算法的现状,根据退化模型的特点,重新将算法分为空间不变的单通道盲复原算法、空间不变多通道盲复原算法和空间变化图像盲复原算法3类。

(一)单通道空间不变图像盲复原算法

在这类算法中,最为常用的是参数法和迭代法。

1)参数法。所谓参数法,即模型参数法,就是将PSF和真实图像用某一类模型加以描述,但模型的参数需要进行辨识。在参数法中,典型的有先验模糊辨识法和ARMA参数估计法,前者先辨识PSF的模型参数,后辨识真实图像,属于第1种类型的图像盲复原算法,因而计算量较小;后者同时辨识PSF和真实图像模型参数,属于第2种类型图像盲复原算法。

2)迭代法。所谓的迭代法,不是通过建立模型而是通过算法的迭代过程,加上有关真实图像和PSF的约束来同时辨识PSF和真实图像的方法。迭代法是单通道

图像盲复原算法中应用最广泛的一类算法,它不需建立模型,也不要求PSF为最小相位系统,因而跟实际更为接近。在这类算法中,迭代盲复原算法(IBD),基于非负性和决策域的递归逆滤波器算法(NAR2RIF),基于高阶统计特性的最小

熵算法等最为典型。

(二)多通道二维图像盲复原

多通道二维图像盲复原,这类方法将数字通讯领域应用的一维多通道盲原分离算法扩展到二维情况并用于图像的盲恢复。这类算法中有两种代数方法,一种是先辨识模糊函数,再采用常规的恢复算法进行复原;另一种是直接对逆滤波器进行估计。此类算法的优点在于不需对初始图像进行估计,也不存在稳定性和收敛性问题,对图像以及模糊函数的约束是松弛的,算法具有一般性。但是第1种算法要求采用复原算法具有收敛性;第2种算法对噪声敏感。

(三)空间改变的图像盲复原方法

在许多实际的应用中,模糊往往是空间变化的,但由于处理工作的难度,目前的研究较少,基本有相关转换恢复和直接法两类。

相关转换恢复的基本思想是区域分割,即将整幅图像分为若干局部区域,然后假设在各个局部区域模糊是空间不变的,利用空间不变的图像复原有关算法进行复原。这类方法都是基于窗口的模糊辨识技术,图像的估计取决于窗口的大小,由于模糊参数是连续变化的,在范围较大时空间不变的假设是不成立的,因而模糊的估计精度较差,而且这种方法只能针对部分空间变化的模糊进行处理,缺乏通用性;其次在区域的边上存在振铃现象。

直接法的基本思想是直接对图像进行处理。如采用简化的二维递推卡尔曼滤波器进行图像模型和模糊模型的直接转换方法,其缺点是只能针对有限的模型,而且模型数增加,计算量会显着增大;采用共轭梯度迭代算法,但只见到一个31×31的文本图像处理的结果报道,对于大图像处理效果尚需进一步的研究;将空间变化图像系统建立成马尔苛夫随机模型,对复原过程,采用模拟退火算法进行最大后验估计的方法,这种方法避免了图像的窗口化,并能克服模糊参数不连续性造成的影响,但这种方法只能局限于将模糊过程建立成单参数的马尔苛夫随机模型的情况,而且计算量也较大。

三、图像盲恢复的应用前景

(1)现有算法的改进以及新的算法研究。现有各种算法还存在许多不足,有必要对算法进一步改进。如IBD算法中,如何选择初始条件才能保证算法的收敛;如何选择算法终止条件才能保证恢复的质量;如何选择滤波器中的噪声参数才能减少噪声的影响。又如NAR2RIF算法中,如何进一步解决噪声敏感问题,支持域的确定以及如何将算法扩展到非均匀背景的情况等。提出新的算法更好地解决图像盲复原问题,也是今后研究的热点。

(2)基于非线性退化模型的图像盲复原算法。在实际应用中,严格来讲,所有的退化模型都是非线性的。对模型采用线性化的方法进行近似处理,虽然算法简单,但对非线性严重的情况处理效果并不理想。基于多项式以及神经网络两种参数模型处理非线性信号盲分离算法,算法扩展到二维图像情况需要进一步研究。研究基于非线性退化模型的图像盲复原算法也是下一步研究方向之一。

(3)去噪处理算法研究。加性噪声的存在,使图像的复原问题变成了一个病态问题,而且由于一般假设只知道噪声的统计特性,因此要从退化图像中完全去除噪声是不可能的。另外,由于噪声的存在,恢复的效果并不理想,结合降噪的图像盲恢复的算法研究有很现实的意义,这方面也进行了部分工作。为克服噪声的影响,一般采用先进行降噪,后进行复原;二是将降噪和复原同时进行这两类方法。目前,大多数算法中将噪声描述成高斯噪声进行研究,在实际应用时有较大局限性。对于非高斯情况的研究采用基于噪声的高阶统计特性的去噪算法研究也是很重要的研究方向,也可采用其他类型的方法进行降噪,利用自组织映射的非线性独立组件分析方法进行图像降噪处理算法。

(4)实时处理算法。算法的的复杂性是制约算法应用的一个重要方面。可采用正则化的离散周期Radon变换的方法将二维的卷积转化为一维进行处理,以提高算法的速度;也可采用神经网络的实时处理算法。算法的实时性是算法实际应用的先决条件。

(5)应用研究。算法的应用是推动算法研究的动力。虽然图像盲复原算法在天文学、医学、遥感等方面获得了较大的应用,但将算法应用到一般的工业图像实时检测、机器视觉、网络环境下的图像传输恢复、刑事侦破等方面还有大量的工作要做。

参考文献:

[1]薛梅,杨绿溪.用于含噪二值图像的改进NAS-RIF图像盲复原算[J].数据处理.2006.17.(2).

卷积神经网络现状范文第5篇

关键词:红枣(Ziziphus zizyphus);边缘检测;分级

中图分类号:S665.1;TP751.1文献标识码:A文章编号:0439-8114(2014)10-2427-04

Grading Red Dates Based on the Size from Image Edge Detection

YAO Na,WU Gang,CHEN Jie

(College of Information Engineering,Tarim University,Alar843300,Xinjiang,China)

Abstract:Starting from the application area of research in computer vision, a method of using image edge detection to calculate the size of red dates and to classify red dates in the case of absenting decayed red dates was developed. Simulation of edge detection demonstrated the validity and superiority of the wavelet method and the simulation of grading detection proved that the new method was effective and rapid,providing the basis for the key design of red dates classifier.

Key words:red dates(Ziziphus zizyphus); edge detection; grading

基金项目:新疆生产建设兵团青年科技创新资金专项(2013CB020)

新疆地区红枣品种较多,有的品种含糖量高达34%,其营养丰富,受到人们的喜爱。目前,红枣品种越来越多,其产量及销售量也越来越高,红枣采集后对其进行分类是加工过程中很重要的工作环节,最初的分拣都是由人工完成,一方面需要大量的人力资源;另一方面不能保证产品的安全。随着科学技术的发展,农业机械化的应用越来越广泛,研究者将重点关注红枣自动分级,可以节省人力而实现农业自动化。李湘萍[1]介绍了红枣分级机的工作原理;张保生等[2]将红枣的形状特征、颜色特征和纹理特征通过BP网络算法进行自动分级;赵文杰等[3]提出了以颜色作为特征利用支持向量机的方法进行红枣的缺陷识别,识别率可达96.2%;肖爱玲[4]对几种典型的红枣分级机的结构进行了介绍;肖爱玲等[5]对2011年前红枣的分级技术及研究现状进行了总结;沈从举等[6]对红枣分级机的研究状态和应用方法进行了归纳。

目前,基于计算机视觉的方法具有智能化、精度高、损伤小等优点,该方法的核心部分在于选取什么特征以及利用何种算法对红枣进行判断。研究者提出的方法具有一个共同特点是特征选取较多,比如同时提取颜色特征、形状特征和纹理特征,因此计算量较大,分级机的设计组成对信息处理的硬件部分有较高的要求,在红枣分级机的设计中存在两方面的问题:一方面成本较高;另一方面硬件达不到设计的要求。小波变换对噪声不敏感,边缘检测清晰,所以有不少研究者将不同的小波变换方法[7-10]应用在图像边缘检测中,经仿真试验证明也适合应用在红枣的边缘检测中。因此,本研究提出一种简单的分级方法来对红枣进行分级,即以提取红枣的边缘特征,只有形状特征,应用小波变换的算法,减少了计算量。

1材料与方法

1.1材料

红枣品种为新疆阿拉尔地区种植的骏枣,已经过人为的挑拣,测试结果得分为优等级的个数较多。

1.2检测方法

在无腐烂的情况下,个体较大、饱满的红枣可分到较高的级别中,可用边缘检测方法对红枣的边缘进行检测,然后根据检测出的边缘再计算红枣的面积,面积大于某一设定阈值的红枣为优等级,其余为低级。

1.3小波边缘检测

小波变换可以解决时域和频域的矛盾,可以将信号进行更精确地分析。图像中的边缘点为灰度变化较大的像素点,即一阶微分极大值点或者二阶微分过零点。图像边缘检测可以通过小波的奇异性来检测。设θ(x,y)为一个平滑的二维函数,在考虑尺度参数的情况下,θa(x,y)=■■，■,那么二维小波的定义[11]为:

ψx(x,y)=■

ψy(x,y)=■

用矢量形式表示二维小波变换:

a■+■

=af■（x，y）■+f■（x，y）■

=af(x,y)[ψx(x,y)■+ψy(x,y)■]

=a[(fψx)(x,y)■+(fψy)(x,y)■]

=Wxa f(x,y)■+Wya f(x,y)■

=aΔ(fθa)(x,y)

fθa(x,y)表示图像f(x,y)与平滑函数θa(x,y)卷积后的平滑图像。梯度矢量的模值为:

■ (3)

梯度矢量与水平方向的夹角为:

α=Arg[Wa(x,y)]

=arctan■(4)

确定梯度矢量的模值极值后,再经过阈值的处理,可以得到图像的边缘,不同的a可以实现多个不同尺度的检测。图像中目标的方向性是重要的特征之一,作为小波的改进方向,小波的应用成为了一个研究热点,它能有较好的方向性分析,体现了图像的方向性。任意方向小波变换[12]的定义为:(假设γ=0,θ∈[0,π)]

Wθa f(x,y)=f(x,y)*g(x,y,θ,γ)

=Wθa f(x,y)cosθ+Wθa f(x,y)sinθ

=||Wa f(x,y)||■・

cosθ+■sinθ (5)

=||Wa f(x,y)||(cos(Arg[Wa f(x,y)]))・

cosθ+sin(Arg[Wa f(x,y)])sinθ

=||Wa f(x,y)||(cosαcosθ+sinαsinθ)

=||Wa f(x,y)||cos(α-θ)

运用小波方法对红枣进行边缘检测,为红枣分级检测解决基础性的第一步难题,同时也用经典的Prewitt算子、Roberts算子、Sobel算子、Log算子、Canny算子对红枣进行边缘检测以便比较分析各自的特点。

1.4分级检测的过程

检测红枣边缘后需要对红枣的面积进行计算,通过对边缘点的长度进行计算可以得出边缘的长度,将红枣的形状假设为圆形,可以用圆周长将圆面积求出,即可以求出红枣的面积。假设计算检测出边缘点的长度,红枣的面积近似为:

s=■ (6)

因为整个过程属于比较过程,所以进行近似计算不影响相对的比较。

整个分级检测的仿真试验步骤为:

1)读入红枣图像,将彩色RGB图像转为灰度图像;

2)对红枣灰度图像求出小波变换的模值和梯度矢量与水平方向的夹角;

3)在水平方向、垂直方向、-45°方向和+45°方向4个方向上进行搜索判断模值和梯度方向的条件得到边缘值,将得到的边缘值进行归一化,设定阈值为0.18来判断红枣图像的边缘;

4)计算红枣的边缘长度,确定红枣边缘长度的阈值;

5)根据公式(6)计算红枣的面积;大于边缘长度阈值的对应面积阈值的红枣判定为优良等级的红枣,否则为较差等级的红枣。

针对不同的分级机的机械设计,红枣面积的阈值的确定可以根据两种方式:一种方式是针对分级机单个读取红枣图像并直接进行分级挑拣的情况,阈值根据经验值来确定,比如某种品种的红枣大小是在固定范围内波动,预先设定固定的阈值来进行分级挑拣;另一种方式是针对分级机进行大量红枣图像同时进行读取时,遍历全部红枣图像,找到最大面积的红枣,然后阈值设定为最大值的80%,大于该阈值的红枣判定为优等级,否则判定为较差等级。

2结果与分析

仿真试验中分别对单个红枣和两个红枣为例进行小波的边缘检测,并且将小波检测结果与Prewitt算子、Roberts算子、Sobel算子、Log算子、Canny算子检测结果进行分析对比。

2.1 单个红枣检测结果

图1为理想的情况,即一个红枣全部被读入没有遮盖的情况,也是正常情况下的边缘检测。由图1可以看出,小波方法检测出的曲线较少,轮廓清晰,轮廓线的连续性好,一方面有利于边缘长度的计算;另一方面减少了曲线个数的计算,减少了整个方法的计算量。Sobel算子检测出的红枣图像与小波的方法相比较,噪点较多,定位精度不够高,边缘比较模糊;Canny算子检测到的边缘虽然比较连续,但是出现了由噪声产生的伪边缘,这样在计算红枣大小时会增加计算量,并且容易出错;Prewitt算子和Roberts算子的检测结果类似于Sobel算子的检测结果,并且Roberts算子的检测结果中边缘断点较多,给计算红枣的长度带来困难;Log算子的检测结果边缘较为连续,有少量断点,与小波方法相比较红枣内部的噪点较多,复杂度仅次于Canny算子的方法检测出的结果。根据边缘检测的效果和计算复杂度以及后期需要的算法的复杂度来比较这几种方法的优劣顺序为小波、Prewitt算子、Roberts算子、Sobel算子、Log算子、Canny算子。

2.2两个有遮盖的红枣检测结果

图2为遮盖的情况,因此单个红枣的边缘不能完全检测出,但是根据周长阈值的比较结果,同样可以算出单个红枣的面积。由图2可以看出,小波方法对于有遮盖的红枣检测仍是轮廓清晰且连续性好,内部曲线较少。Sobel算子检测出的红枣图像与小波的方法相比较,噪点较多,边缘断点较多,边缘比较模糊;Canny算子检测到的边缘过于模糊且断点较多,还出现了由噪声产生的伪边缘,这样在计算红枣大小时对后期的算法要求较高,且容易出现错误结果;Prewitt算子和Roberts算子的检测结果类似于Sobel算子的检测结果,Roberts算子的检测结果中边缘较为清楚;Log算子的检测结果边缘断点较多,与小波方法相比较红枣内部的噪点较多,复杂度仅次于Canny算子的方法检测出的结果。根据边缘检测的结果和计算复杂度以及后期算法的复杂度来比较这几种方法的优劣顺序为小波、Roberts算子、Prewitt算子、Sobel算子、Log算子、Canny算子。对于单个和两个红枣进行检测的仿真结果都说明:较于其他5种算子,小波方法均是最优的。

研究中采集的红枣图像大小为442×398像素,阈值采用经验值,实际的周长阈值映射到图像中的周长为1 084像素,仿真试验结果判定为准确可行,试验结果见表1。

3小结与讨论

随着自动化技术在农业产品中应用越来越广泛,其理论研究的方法也越来越多,从计算机视觉领域结合农业自动化技术提出了对红枣加工有促进作用的红枣自动分级的核心方法,对于红枣生产的地区有重要意义。研究提出了利用方向小波方法对红枣图像进行边缘检测进而计算红枣大小来对红枣分级的方法,经仿真试验证明小波变换方法的优越性及整个方法的有效性和快速性。此研究是在假设红枣无腐烂的情况下进行分级的,所以有一定的局限性,但在下一步研究中可以弥补此点的不足,设置多个阈值可以将红枣进行多个等级的分拣。

参考文献:

[1] 李湘萍.6ZF-0.5型红枣分级机的试验研究[J].山西农机,2000(14):3-5.

[2] 张保生,姚瑞央.基于BP神经网络算法的红枣分级技术应用[J].广东农业科学,2010(11):282-283.

[3] 赵杰文,刘少鹏,邹小波.基于机器视觉和支持向量机的缺陷枣的识别研究[J].农业机械学报,2008,39(3):113-115.

[4] 肖爱玲.几种典型的红枣分级机[J].新疆农机化,2010(4):10-11.

[5] 肖爱玲,李伟.我国红枣分级技术及红枣分级机研究现状[J].农机化研究,2011(11):241-244.

[6] 沈从举,贾首星,郑炫,等.红枣分级机械的现状与发展[J].中国农机化学报,2013,34(1):26-30.

[7] 宋文龙,闵昆龙,邢奕,等.基于小波变换的自适应阈值植物根系图像边缘检测[J].北京科技大学学报,2012,34(8):966-970.

[8] 王敬东,徐亦斌,.图像小波边缘检测中边界处理的研究[J].计算机工程,2007,33(5):161-163.

[9] 鲍雄伟.小波变换在图像边缘检测中的应用[J].电子设计工程,2012,20(14):160-162.

[10] 薄胜坤,张丽英.一种基于小波变换和Canny算子相结合的边缘检测方法[J].长春大学学报,2012,22(10):1177-1180.