卷積神經網絡現狀

前言：想要寫出一篇令人眼前一亮的文章嗎？我們特意為您整理了5篇卷積神經網絡現狀范文，相信會為您的寫作帶來幫助，發現更多的寫作思路和靈感。

卷積神經網絡現狀范文第1篇

關鍵詞：無人機；STM32；道路檢測；神經網絡；模型訓練

傳統的道路巡檢和保養主要由人工來完成，需要投入大量的人力物力來保證道路的相對安全，這種方式存在著低效率、高成本且難以保證道路的決定安全[1]。固定式交通檢測設備大量設置在道路的主干路上，也存在著一些缺陷：（1）監控攝像頭不能做到全覆蓋且具有一定的探測盲區。（2）監控系統采用多屏幕方式，工作人員進行道路故障判斷時受限。（3）不能靈活的通知有關部門對事故的快速應急處理。為了克服上述的缺點，本文設計了一種基于卷積神經網絡的無人機道路巡檢系統，對發生故障和需要保養的道路能快速響應，及時的通知有關部門，避免事故的發生。

1系統的總體設計

在無人機道路巡檢系統中，我們主要考慮了以下幾個要求[3]：（1）無人機系統能滿足正常的工作；（2）無人機系統能適應各種天氣和氣候變化等；（3）無人機系統應充分考慮控制的安全性；（4）視頻流的傳輸應避免較長的延時。無人機道路巡檢系統主要由無人機系統設計、遠程控制系統、PC端系統三大部分組成，系統的總體結構框圖如圖1所示。系統的具體工作原理為：無人機將道路環境檢測的結果，將處理后的視頻流通過遠程傳輸的方式，發送到PC端進行實時監控道路狀況。遠程控制系統以STM32作為主控芯片，主要包括在無人機端和遙控端兩個部分，遙控端將控制指令通過2.4G通信發送到無人機端，此時無人機的做出相應的位姿變化，完成遙控端對無人機位姿的控制。無人機系統的圖像采集模塊芯片為樹莓派，完成圖像的采集并采用TCP通信實現遠程視頻的傳輸，將獲取的視頻流傳輸到PC端。PC端上使用OpenCV對圖像進行處理[4]，利用深度學習模塊對設計的神經網絡進行數據訓練，從而得到檢測模型，最后在PC上接收處理過的數據并實時監測道路狀況。上述工作原理可實現無人機道路巡檢系統，下文將對其包括的三大模塊進行說明介紹。

2無人機系統設計

本次使用的是RaspberryPi3(modelB+)作為無人機的主控制板[7]，無人機的飛行控制算法和圖像采集模塊集成在樹莓派中。遠程控制系統通過2.4G無線通信模塊連接，通過控制器實現對無人機飛行和圖像采集的控制。無人機系統總體結構如圖2所示。

3PC端系統設計

在PC端系統設計主要分為圖像預處理、模型訓練和視頻監控三大部分，通過TCP通信協議進行通信，TCP通信是一種面向連接的通信，可完成客戶端（樹莓派）和服務端（PC）的信息傳遞[9]。下面主要對前兩部分詳細介紹。

3.1圖像預處理

本系統對地面裂縫檢測的圖像預處理流程如圖3所示具體工作原理為：（1）采用加權平均灰度化對獲取的無人機影像進行灰度化處理；（2）對灰度化處理后的影像進行直方圖均衡化，使得影像具有高對比度和多元的灰度色調變化，為后續的濾波降噪奠定基礎；（3）對處理后的影像進行濾波降噪，消除孤立的噪聲點，采用方法的是中值濾波降噪；（4）使用迭代二值化處理將影像的灰度值設置合適的閾值，使得圖像更簡單，目標更突出，然后對圖像進行分割，計算迭代的閾值，判斷迭代的閾值是否收斂到某一值或者達到限定的迭代次數，如果是的話，將完成二值化處理和濾波，否則將初始二值化閾值；（5）最終完成道路故障的識別與標記。

3.2模型檢測

3.2.1卷積神經網絡原理使用卷積神經網絡進行模型訓練，首先使用卷積層實現特征的提取，原理如圖4所示。如圖5所示，卷積操作是模仿神經元的機制。不同的輸入在權重的影響下會有不同的輸出，根據損失函數的計算來不斷的更新權重，直到獲得合理的權重參數。初始傳遞的信號為x，中間通過權重w，再經過偏置b后連接在末端，最后輸出信號變成wx+b。fun(?)表示激活函數，最終f(z為輸出的結果，如式（1）所示。3.2.2卷積神經網絡訓練流程通過相機采集到的缺陷和問題圖像作為訓練樣本，這部分是檢測道路安全的關鍵一步，（1）訓練標記數據：首先使用圖像預處理中標記好的道路故障提取出來，通過卷積神經網絡對標記框內的目標數據進行訓練；（2）提取特征數據：將道路故障的類型統計并歸納；（3）誤差反饋學習：對測試樣本進行誤差反饋學習，并進行測試；（4）優化訓練數據：根據實際應用場景增加圖像的種類和數量，不斷訓練模型。3.2.3故障的基本分類道路故障主要路面缺陷（例如裂縫、殘缺等）和路面增加（例如長時間靜止的車輛和路人），各自訓練集數量為1000張。如表1所示。3.2.4實驗測試為實現故障的檢測，測試數據集為100張，不同類型故障數據50張，均采集自新道路且與訓練樣本一致，實驗結果如表2所示。由表2可知，檢測路面增加（例如長時間靜止的車輛和路人）的準確率高達96%，但是地面缺陷的準確率相比較而言略低，可能造成的原因是：①硬件原因導致采集的圖像清晰度比較低；②地面缺陷太小，無人機難以識別；③訓練的數據集較少，特征學習誤差大；但是滿足了設計需求，還需進一步改進。

4總結與展望

卷積神經網絡現狀范文第2篇

關鍵詞 車輛自動駕駛；人工智能；應用實踐；智能汽車

中圖分類號 TP3 文獻標識碼 A 文章編號 1674-6708（2017）182-0080-02

車輛自動駕駛系統是改變傳統駕駛方式的重要技術類型，但仍舊處于研發測試階段，并未展開全面應用。車輛自動駕駛系統主要是由感知部分和控制部分構成，控制部分主要完成對車輛的控制，促使車輛按照設計的線路展開行駛，而感知部分則是對路線中障礙進行識別，促使車輛進行規避，保障車輛安全。然而現階段，車輛自動駕駛的感知部分卻存在一定的瓶頸，制約車輛自動駕駛系統的功能。基于此，本文對車輛自動駕駛中人工智能的應用展開分析，具體內容如下。

1 車輛自動駕駛現狀分析

車輛自動駕駛是借助網絡技術相關算法、高敏感度的傳感器和相關信息采集設備，綜合的對車輛行駛過程中路況信息進行采集，由信息處理部分完成對車輛行駛過程中采集數據的分析，再由控制系統完成對車輛前進、后退和停止等動作進行實施，可有效改變傳統車輛的駕駛方式，在提高車輛駕駛有效性的基礎上，可以解放駕駛人員的雙手，并達到降低交通事故發生幾率，達到智能化汽車的構建。

近年來，以百度、谷歌為首的行業，致力于人工智能技術應用車輛自動駕駛系統中，于2016年谷歌將無人駕駛的汽車測試到城市，并于2016年12月無人駕駛汽車項目剝離為獨立的公司waymo，完成對車輛自動駕駛的研究，該公司的基于自動駕駛的車輛的自動行駛的距離>1.61×106km，并獲得大量的數據。

較比國外的車輛自動駕駛的自主研究形式，國內主要選擇汽車廠商與科研所高校等聯合研究的方式，主要有一汽、上汽、奇瑞等，均投入一定資金和研究力度，致力于研發可無人駕駛的智能汽車。同時，網絡技術和算法技術、硬件技術的不斷成熟，為車輛自動駕駛提供了基礎，對智能汽車的構建具有十分積極的意義。

隨著世界各類尖端行業重視到汽車自動駕駛大有可為，逐漸加大對車輛自動駕駛的研究，并將具備車輛自動駕駛能力的汽車作為未來汽車市場的主要方向，促使汽車可以在自動駕駛的狀態下，完成對復雜環境的駕駛，達到高度自動化駕駛的效果。

2 人工智能在車輛自動駕駛中的應用

人工智能是計算機科學的分支之一，所包含的領域較多，涵蓋機器人、語言識別、圖像識別等，隨著人工智能研究的不斷深入，人工智能逐漸應用到各個領域中。將人工智能應用到車輛自動駕駛中，可以對車輛自動駕駛的瓶頸進行突破，推動車輛自動駕駛的早日實現。

2.1 基于深度思考的人工智能

車輛自動駕駛系統對基于深度思考的人工智能進行應用，深度思考是一種機器學習的算法，可完成多元非線性數據轉換、高級數據概念模型的構建，促使車輛自動駕駛系統的感知部分發生轉變。具體的基于深度思考的人工智能學習結構，有深度神經網絡（DNNs）、卷積神經網絡（CNNs）、深度信念網絡等，在具體的車輛自動駕駛系統中，完成對車輛的視覺、語言等信息的識別。蘋果手機編制程序專家George？Hotz創建的企業，構建的基于卷積神經網絡的自動駕駛車輛，并借助人工智能實現車輛訓練。在具體的車輛訓練過程中，選擇激光雷達作為主要視覺裝置，完成周邊環境的精準三維掃描，進而實現對周邊環境的識別，且可以完成對車位置信息的報告。

2.2 基于人工智能解讀的儀表板攝像頭

選擇以帕洛阿爾托為基地的NAUTO使用的prosumer相機中發現的各類圖像傳感器，并運用運動感應器、GPS等，轉變激光雷達傳感器昂貴的情況，達到降低車輛自動駕駛的感知成本，并有效完成對周邊地形的識別。借助NAUTO系統，不但能夠完成對道路前方情況的識別，還能對車輛內部的情況信息進行采集，車輛乘坐人員可以根據面部表情、手勢和語言完成對車輛的控制，達到改善人機交互界面。

2.3 基于人工智能的尾剎

現階段，汽車輔助系統不斷發展和完善，切實應用到車輛中，基于人工智能的ADAS技術，配合ACC（自適應循環）、LDWS（車道偏移報警系統）、自動泊車等系統的應用，使得目前車輛具備良好的自動能力。而ADAS技術的應用，可以使得汽車在具體運行中如果前方存在車輛或是前方存在障礙物不能繞過的情況，借助ADAS技術的應用，可以實現自動剎車，進而保障車輛的行駛安全。

2.4 感知、計劃、動作的agent結構應用

車輛自動駕駛系統中對人工智能進行應用，對改善自動車輛駕駛的效果顯著，改善車輛自動駕駛的效果。

借助知識庫的十二構建，可以給予自動駕駛行駛過程中的地理信息、電子地圖、交通信息和相關法律法規這些內容。且這些知識主要是以知識的形式展示，并借助知R推理中的A算法，可以有效完成對下一個被檢查的結點時引入已知的全局信息進行解讀，達到對最優路線的選擇，獲得可能性最大的結點，繼而保障知識所搜的效率。借助感知―計劃―動作agent結構的人工職能，可以將車輛自動行駛的速度分為3個檔次：High、Middle、Fast，轉向角度為7等，分別為0°，±10°，±20°，±30°。且可以完成對各類障礙的規避。

3 車輛自動駕駛中人工智能應用的相關問題

1）車輛自動駕駛具有良好的發展前景，而人工智能的應用，進一步優化了車輛自動駕駛系統的功能，達到減少錯誤的情況，借助人工智能盡可能降低各類錯誤的存在，規避自動駕駛風險的存在。需不斷加強對人工智能的研究和分析，促使人工智能和車輛自動駕駛有機的結合，為智能汽車的構建奠定基礎。

2）人工智能應用時，需要對車輛電腦程序和信息網絡的安全系數進行控制，避免非法入侵對車輛造成不利影響，進而導致安全隱患的發生。

3）人工智能在具體的應用中，需要對預測和回應人類行為的問題進行處理，進而增加自動駕駛車輛與人的互動。

4）基于人工智能的智能汽車定責的法律問題，國家需要建立相關的法律法規，不斷完善車輛自動駕駛的相關立法，完成對各類問題的處理，提升法律的適應性。

4 結論

分析車輛自動駕駛的現狀，再詳細的對人工智能在車輛自動駕駛的應用，再解讀基于感知―計劃―動作agent結構的人工智能的具體應用，并分析人工智能在車輛自動駕駛中應用的相關問題，為推動車輛自動駕駛的水平和智能化水平提供基礎，達到改善人們生活的效果。

參考文獻

[1]黃健.車輛自動駕駛中的仿人控制策略研究[D].合肥：合肥工業大學，2013.

[2]謝基雄.探析人工智能技術對電氣自動化的實踐運用[J].電源技術應用，2013（9）.

[3]禹昕.人工智能在電氣工程自動化中的運用實踐研究[J].工程技術：全文版，2016（12）：00247.

[4]余阿東，陳睿煒.汽車自動駕駛技術研究[J].汽車實用技術，2017（2）：124-125.

卷積神經網絡現狀范文第3篇

在為人們提供便捷服務的同時，互聯網應用也存在很多安全問題及威脅，如計算機病毒、變異木馬等，利用大規模互聯網集成在一起產生的漏洞攻擊網絡，導致數據泄露或被篡改，甚至使整個網絡系統無法正常運行。隨著網絡接入用戶的增多，互聯網接入的軟硬件資源也更多，因此對網絡安全處理速度就會有更高的要求，以便能夠提高木馬或病毒處理速度，降低網絡病毒的感染范圍，積極的響應應用軟件，具有重要的作用和意義。

2網絡安全防御技術應用發展現狀

目前，人們已經進入到了“互聯網+”時代，面臨的安全威脅也更多，比如木馬病毒、DDOS攻擊和數據盜竊等。互聯網受到的攻擊也會給人們帶來嚴重的損失，比如勒索病毒攻擊了許多的大型跨國公司、證券銀行等，到這這些政企單位的辦公電腦全都發生了藍屏現象，用戶無法進入到操作系統進行文件處理，勒索病毒要求這些單位支付一定額度的贖金才可以正常使用系統，導致許多公司損失了很多的資金。分布式服務器攻擊（DDOS）也非常嚴重，模擬大量的用戶并發訪問網絡服務器，導致正常用戶無法登陸服務器。因此，為了提高信息安全，人們提出了防火墻、殺毒軟件或訪問控制列表等安全防御技術

2.1防火墻

防火墻是一種比較先進的網絡安全防御軟件，這種軟件可以設計很多先進的規則，這些規則不屬于互聯網的傳輸層或網絡層，可以運行于互聯網TCP/IP傳輸協議棧，使用循環枚舉的基本原則，逐個檢查每一個通過網絡的數據包，如果發現某個數據包的包頭IP地址和目的地IP地址及包內容等存在威脅，就可以及時的將其清除，不允許通過網絡。

2.2殺毒軟件

殺毒軟件是一種非常先進的程序代碼，其可以查殺網絡中存在的安全威脅，利用病毒庫中一些收錄的病毒或木馬特征，判斷互聯網中是否存在這些類似的病毒或木馬。殺毒軟件采用了很多技術，如主動防御、啟發技術、特征碼技術、脫殼技術、行為分析等，這些都可以實時的監控訪問互聯網的運行狀態，確保網絡正常使用。目前，許多大中型企業都開發了殺毒軟件，比如360安全衛士、江民殺毒、騰訊衛士、卡巴斯基等，取得了顯著的應用成效。

3基于人工智能的網絡安全防御系統設計

3.1系統功能分析

基于人工智能的網絡安全防御系統利用機器學習或模式識別技術，從互聯網中采集流量數據，將這些數據發送給人工智能模型進行分析，發現網絡中是否存在網絡病毒。具體的網絡安全防御系統的功能包括以下幾個方面：

3.1.1自動感知功能

自動感知是人工還能應用的一個重要亮點，這也是網絡安全系統最為關鍵的功能，自動感知可以主動的分析互聯網中是否存在安全隱患，比如病毒、木馬等數據片段，利用這些片段特征實現網絡病毒的判斷。

3.1.2智能響應功能

人工智能在網絡安全系統中可以實現智能響應，如果一旦發現某一個病毒或木馬侵入網絡，此時就需要按照實際影響范圍進行智能度量，影響范圍大、造成的損失較多就可以啟用全面殺毒；影響范圍小、造成的損失較少就可以啟動局部殺毒，這樣既可以清除網絡中的病毒或木馬，還可以降低網絡的負載，實現按需殺毒服務。

3.2人工智能應用設計

人工智能在網絡安全防御中的應用流程如下所述：目前互聯網接入的設備非常多，來源于網絡的數據攻擊也非常多，比如DDOS攻擊、網站篡改、設備漏洞等，因此可以利用人工智能技術，從根本上發現、分析、挖掘異常流量中的問題，基于人工智能的網絡安全系統具有一個顯著的特征，這個特征就是利用先進的機器學習技術構建一個主動化防御模型，這個模型可以清楚網絡中的木馬或病毒，能夠有效的避免互聯網受到攻擊，也可以將這些病毒或木馬牽引到一些備用服務器，在備用服務器上進行識別、追蹤，判斷網絡病毒的來源，從而可以徹底根除后患。人工智能在網絡安全防御中引入很多先進的殺毒技術，比如自我保護技術、實時監控技術，基于卷積神經網絡、機器學習、自動審計等，可以自動化快速識別網絡中的病毒及其變異模式，將其從互聯網中清除，同時還可以自我升級服務。

4結束語

目前，互聯網承載的應用軟件非常多，運行積累了海量的數據資源，因此安全防御系統可以引入數據挖掘構建智能分析系統，可以利用人工智能等方法分析網絡中是否存在一些病毒特征，即使這些病毒特征發生了變異，人工智能處理方法也可以利用先進的機器學習技術發現這些病毒的蹤跡，從而可以更加準確的判斷病毒或木馬，及時的啟動智能響應模塊，將這些病毒或木馬清除。人工智能在查殺的時候還可以按需提供服務，不需要時刻占據所有的負載，提高了網絡利用率。

參考文獻

[1]于成麗,安青邦,周麗麗.人工智能在網絡安全領域的應用和發展新趨勢[J].保密科學技術,2017(11):10-14.

[2]王海濤.基于大數據和人工智能技術的信息安全態勢感知系統研究[J].網絡安全技術與應用,2018(03):114-115.

卷積神經網絡現狀范文第4篇

論文摘要:當點擴展函數未知或不確知的情況下,從觀察到的退化圖像中恢復原始圖像的過程稱為圖像盲復原。近年來,圖像盲復原算法得到了廣泛的研究。本文在介紹了盲圖像恢復算法的現狀的基礎上進一步研究其的發展方向。

一、引言

圖像恢復是圖像處理中的一大領域,有著廣泛的應用,正成為當前研究的熱點。圖像恢復的主要目的是使退化圖像經過一定的加工處理,去掉退化因素,以最大的保真度恢復成原來的圖像。傳統的圖像恢復假設圖像的降質模型是己知的。而許多情況下,圖像的降質模型未知或具有較少的先驗知識,必須進行所謂的盲恢復。其重要性和艱巨性而成為一個研究熱點。目前所能獲取的觀測圖像是真實圖像經過觀測系統成像的結果。由于觀測系統本身物理特性的限制,同時受觀測環境的影響,觀測圖像和真實圖像之間不可避免地存在著偏差和失真,稱觀測系統對真實圖像產生了降質。圖像恢復的目的就是根據降質的觀測圖像分析和計算得出真實圖像。

二、圖像盲恢復算法的現狀

總體來說,圖像盲復原方法主要分為以下兩類:一是首先利用真實圖像的特別特征估計PSF,然后借助估計得到的PSF,采用經典的圖像復原方法進行圖像的復原。這類方法將PSF的估計與圖像的復原過程分為2個不同的過程,因而具有較少計算量的特點;二是PSF辨識和真實圖像估計相結合,同時辨識PSF和真實圖像。這類算法較為復雜,計算量較大。另外,對于點擴展函數也考慮了空間變化的復雜情況。針對目前的盲復原算法的現狀,根據退化模型的特點,重新將算法分為空間不變的單通道盲復原算法、空間不變多通道盲復原算法和空間變化圖像盲復原算法3類。

(一)單通道空間不變圖像盲復原算法

在這類算法中,最為常用的是參數法和迭代法。

1)參數法。所謂參數法,即模型參數法,就是將PSF和真實圖像用某一類模型加以描述,但模型的參數需要進行辨識。在參數法中,典型的有先驗模糊辨識法和ARMA參數估計法,前者先辨識PSF的模型參數,后辨識真實圖像,屬于第1種類型的圖像盲復原算法,因而計算量較小;后者同時辨識PSF和真實圖像模型參數,屬于第2種類型圖像盲復原算法。

2)迭代法。所謂的迭代法,不是通過建立模型而是通過算法的迭代過程,加上有關真實圖像和PSF的約束來同時辨識PSF和真實圖像的方法。迭代法是單通道

圖像盲復原算法中應用最廣泛的一類算法,它不需建立模型,也不要求PSF為最小相位系統,因而跟實際更為接近。在這類算法中,迭代盲復原算法(IBD),基于非負性和決策域的遞歸逆濾波器算法(NAR2RIF),基于高階統計特性的最小

熵算法等最為典型。

(二)多通道二維圖像盲復原

多通道二維圖像盲復原,這類方法將數字通訊領域應用的一維多通道盲原分離算法擴展到二維情況并用于圖像的盲恢復。這類算法中有兩種代數方法,一種是先辨識模糊函數,再采用常規的恢復算法進行復原;另一種是直接對逆濾波器進行估計。此類算法的優點在于不需對初始圖像進行估計,也不存在穩定性和收斂性問題,對圖像以及模糊函數的約束是松弛的,算法具有一般性。但是第1種算法要求采用復原算法具有收斂性;第2種算法對噪聲敏感。

(三)空間改變的圖像盲復原方法

在許多實際的應用中,模糊往往是空間變化的,但由于處理工作的難度,目前的研究較少,基本有相關轉換恢復和直接法兩類。

相關轉換恢復的基本思想是區域分割,即將整幅圖像分為若干局部區域,然后假設在各個局部區域模糊是空間不變的,利用空間不變的圖像復原有關算法進行復原。這類方法都是基于窗口的模糊辨識技術,圖像的估計取決于窗口的大小,由于模糊參數是連續變化的,在范圍較大時空間不變的假設是不成立的,因而模糊的估計精度較差,而且這種方法只能針對部分空間變化的模糊進行處理,缺乏通用性;其次在區域的邊上存在振鈴現象。

直接法的基本思想是直接對圖像進行處理。如采用簡化的二維遞推卡爾曼濾波器進行圖像模型和模糊模型的直接轉換方法,其缺點是只能針對有限的模型,而且模型數增加,計算量會顯著增大;采用共軛梯度迭代算法,但只見到一個31×31的文本圖像處理的結果報道,對于大圖像處理效果尚需進一步的研究;將空間變化圖像系統建立成馬爾苛夫隨機模型,對復原過程,采用模擬退火算法進行最大后驗估計的方法,這種方法避免了圖像的窗口化,并能克服模糊參數不連續性造成的影響,但這種方法只能局限于將模糊過程建立成單參數的馬爾苛夫隨機模型的情況,而且計算量也較大。

三、圖像盲恢復的應用前景

(1)現有算法的改進以及新的算法研究。現有各種算法還存在許多不足,有必要對算法進一步改進。如IBD算法中,如何選擇初始條件才能保證算法的收斂;如何選擇算法終止條件才能保證恢復的質量;如何選擇濾波器中的噪聲參數才能減少噪聲的影響。又如NAR2RIF算法中,如何進一步解決噪聲敏感問題,支持域的確定以及如何將算法擴展到非均勻背景的情況等。提出新的算法更好地解決圖像盲復原問題,也是今后研究的熱點。

(2)基于非線性退化模型的圖像盲復原算法。在實際應用中,嚴格來講,所有的退化模型都是非線性的。對模型采用線性化的方法進行近似處理,雖然算法簡單,但對非線性嚴重的情況處理效果并不理想。基于多項式以及神經網絡兩種參數模型處理非線性信號盲分離算法,算法擴展到二維圖像情況需要進一步研究。研究基于非線性退化模型的圖像盲復原算法也是下一步研究方向之一。

(3)去噪處理算法研究。加性噪聲的存在,使圖像的復原問題變成了一個病態問題,而且由于一般假設只知道噪聲的統計特性,因此要從退化圖像中完全去除噪聲是不可能的。另外,由于噪聲的存在,恢復的效果并不理想,結合降噪的圖像盲恢復的算法研究有很現實的意義,這方面也進行了部分工作。為克服噪聲的影響,一般采用先進行降噪,后進行復原;二是將降噪和復原同時進行這兩類方法。目前,大多數算法中將噪聲描述成高斯噪聲進行研究,在實際應用時有較大局限性。對于非高斯情況的研究采用基于噪聲的高階統計特性的去噪算法研究也是很重要的研究方向,也可采用其他類型的方法進行降噪,利用自組織映射的非線性獨立組件分析方法進行圖像降噪處理算法。

(4)實時處理算法。算法的的復雜性是制約算法應用的一個重要方面。可采用正則化的離散周期Radon變換的方法將二維的卷積轉化為一維進行處理,以提高算法的速度;也可采用神經網絡的實時處理算法。算法的實時性是算法實際應用的先決條件。

(5)應用研究。算法的應用是推動算法研究的動力。雖然圖像盲復原算法在天文學、醫學、遙感等方面獲得了較大的應用,但將算法應用到一般的工業圖像實時檢測、機器視覺、網絡環境下的圖像傳輸恢復、刑事偵破等方面還有大量的工作要做。

參考文獻:

[1]薛梅,楊綠溪.用于含噪二值圖像的改進NAS-RIF圖像盲復原算[J].數據處理.2006.17.(2).

卷積神經網絡現狀范文第5篇

關鍵詞:紅棗(Ziziphus zizyphus);邊緣檢測;分級

中圖分類號:S665.1;TP751.1文獻標識碼:A文章編號: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

基金項目:新疆生產建設兵團青年科技創新資金專項(2013CB020)

新疆地區紅棗品種較多,有的品種含糖量高達34%,其營養豐富,受到人們的喜愛。目前,紅棗品種越來越多,其產量及銷售量也越來越高,紅棗采集后對其進行分類是加工過程中很重要的工作環節,最初的分揀都是由人工完成,一方面需要大量的人力資源;另一方面不能保證產品的安全。隨著科學技術的發展,農業機械化的應用越來越廣泛,研究者將重點關注紅棗自動分級,可以節省人力而實現農業自動化。李湘萍[1]介紹了紅棗分級機的工作原理;張保生等[2]將紅棗的形狀特征、顏色特征和紋理特征通過BP網絡算法進行自動分級;趙文杰等[3]提出了以顏色作為特征利用支持向量機的方法進行紅棗的缺陷識別,識別率可達96.2%;肖愛玲[4]對幾種典型的紅棗分級機的結構進行了介紹;肖愛玲等[5]對2011年前紅棗的分級技術及研究現狀進行了總結;沈從舉等[6]對紅棗分級機的研究狀態和應用方法進行了歸納。

目前,基于計算機視覺的方法具有智能化、精度高、損傷小等優點,該方法的核心部分在于選取什么特征以及利用何種算法對紅棗進行判斷。研究者提出的方法具有一個共同特點是特征選取較多,比如同時提取顏色特征、形狀特征和紋理特征,因此計算量較大,分級機的設計組成對信息處理的硬件部分有較高的要求,在紅棗分級機的設計中存在兩方面的問題:一方面成本較高;另一方面硬件達不到設計的要求。小波變換對噪聲不敏感,邊緣檢測清晰,所以有不少研究者將不同的小波變換方法[7-10]應用在圖像邊緣檢測中,經仿真試驗證明也適合應用在紅棗的邊緣檢測中。因此,本研究提出一種簡單的分級方法來對紅棗進行分級,即以提取紅棗的邊緣特征,只有形狀特征,應用小波變換的算法,減少了計算量。

1材料與方法

1.1材料

紅棗品種為新疆阿拉爾地區種植的駿棗,已經過人為的挑揀,測試結果得分為優等級的個數較多。

1.2檢測方法

在無腐爛的情況下,個體較大、飽滿的紅棗可分到較高的級別中,可用邊緣檢測方法對紅棗的邊緣進行檢測,然后根據檢測出的邊緣再計算紅棗的面積,面積大于某一設定閾值的紅棗為優等級,其余為低級。

1.3小波邊緣檢測

小波變換可以解決時域和頻域的矛盾,可以將信號進行更精確地分析。圖像中的邊緣點為灰度變化較大的像素點,即一階微分極大值點或者二階微分過零點。圖像邊緣檢測可以通過小波的奇異性來檢測。設θ(x,y)為一個平滑的二維函數,在考慮尺度參數的情況下,θa(x,y)=■■，■,那么二維小波的定義[11]為:

ψx(x,y)=■

ψy(x,y)=■

用矢量形式表示二維小波變換:

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)表示圖像f(x,y)與平滑函數θa(x,y)卷積后的平滑圖像。梯度矢量的模值為:

■ (3)

梯度矢量與水平方向的夾角為:

α=Arg[Wa(x,y)]

=arctan■(4)

確定梯度矢量的模值極值后,再經過閾值的處理,可以得到圖像的邊緣,不同的a可以實現多個不同尺度的檢測。圖像中目標的方向性是重要的特征之一,作為小波的改進方向,小波的應用成為了一個研究熱點,它能有較好的方向性分析,體現了圖像的方向性。任意方向小波變換[12]的定義為:(假設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)

運用小波方法對紅棗進行邊緣檢測,為紅棗分級檢測解決基礎性的第一步難題,同時也用經典的Prewitt算子、Roberts算子、Sobel算子、Log算子、Canny算子對紅棗進行邊緣檢測以便比較分析各自的特點。

1.4分級檢測的過程

檢測紅棗邊緣后需要對紅棗的面積進行計算,通過對邊緣點的長度進行計算可以得出邊緣的長度,將紅棗的形狀假設為圓形,可以用圓周長將圓面積求出,即可以求出紅棗的面積。假設計算檢測出邊緣點的長度,紅棗的面積近似為:

s=■ (6)

因為整個過程屬于比較過程,所以進行近似計算不影響相對的比較。

整個分級檢測的仿真試驗步驟為:

1)讀入紅棗圖像,將彩色RGB圖像轉為灰度圖像;

2)對紅棗灰度圖像求出小波變換的模值和梯度矢量與水平方向的夾角;

3)在水平方向、垂直方向、-45°方向和+45°方向4個方向上進行搜索判斷模值和梯度方向的條件得到邊緣值,將得到的邊緣值進行歸一化,設定閾值為0.18來判斷紅棗圖像的邊緣;

4)計算紅棗的邊緣長度,確定紅棗邊緣長度的閾值;

5)根據公式(6)計算紅棗的面積;大于邊緣長度閾值的對應面積閾值的紅棗判定為優良等級的紅棗,否則為較差等級的紅棗。

針對不同的分級機的機械設計,紅棗面積的閾值的確定可以根據兩種方式:一種方式是針對分級機單個讀取紅棗圖像并直接進行分級挑揀的情況,閾值根據經驗值來確定,比如某種品種的紅棗大小是在固定范圍內波動,預先設定固定的閾值來進行分級挑揀;另一種方式是針對分級機進行大量紅棗圖像同時進行讀取時,遍歷全部紅棗圖像,找到最大面積的紅棗,然后閾值設定為最大值的80%,大于該閾值的紅棗判定為優等級,否則判定為較差等級。

2結果與分析

仿真試驗中分別對單個紅棗和兩個紅棗為例進行小波的邊緣檢測,并且將小波檢測結果與Prewitt算子、Roberts算子、Sobel算子、Log算子、Canny算子檢測結果進行分析對比。

2.1 單個紅棗檢測結果

圖1為理想的情況,即一個紅棗全部被讀入沒有遮蓋的情況,也是正常情況下的邊緣檢測。由圖1可以看出,小波方法檢測出的曲線較少,輪廓清晰,輪廓線的連續性好,一方面有利于邊緣長度的計算;另一方面減少了曲線個數的計算,減少了整個方法的計算量。Sobel算子檢測出的紅棗圖像與小波的方法相比較,噪點較多,定位精度不夠高,邊緣比較模糊;Canny算子檢測到的邊緣雖然比較連續,但是出現了由噪聲產生的偽邊緣,這樣在計算紅棗大小時會增加計算量,并且容易出錯;Prewitt算子和Roberts算子的檢測結果類似于Sobel算子的檢測結果,并且Roberts算子的檢測結果中邊緣斷點較多,給計算紅棗的長度帶來困難;Log算子的檢測結果邊緣較為連續,有少量斷點,與小波方法相比較紅棗內部的噪點較多,復雜度僅次于Canny算子的方法檢測出的結果。根據邊緣檢測的效果和計算復雜度以及后期需要的算法的復雜度來比較這幾種方法的優劣順序為小波、Prewitt算子、Roberts算子、Sobel算子、Log算子、Canny算子。

2.2兩個有遮蓋的紅棗檢測結果

圖2為遮蓋的情況,因此單個紅棗的邊緣不能完全檢測出,但是根據周長閾值的比較結果,同樣可以算出單個紅棗的面積。由圖2可以看出,小波方法對于有遮蓋的紅棗檢測仍是輪廓清晰且連續性好,內部曲線較少。Sobel算子檢測出的紅棗圖像與小波的方法相比較,噪點較多,邊緣斷點較多,邊緣比較模糊;Canny算子檢測到的邊緣過于模糊且斷點較多,還出現了由噪聲產生的偽邊緣,這樣在計算紅棗大小時對后期的算法要求較高,且容易出現錯誤結果;Prewitt算子和Roberts算子的檢測結果類似于Sobel算子的檢測結果,Roberts算子的檢測結果中邊緣較為清楚;Log算子的檢測結果邊緣斷點較多,與小波方法相比較紅棗內部的噪點較多,復雜度僅次于Canny算子的方法檢測出的結果。根據邊緣檢測的結果和計算復雜度以及后期算法的復雜度來比較這幾種方法的優劣順序為小波、Roberts算子、Prewitt算子、Sobel算子、Log算子、Canny算子。對于單個和兩個紅棗進行檢測的仿真結果都說明:較于其他5種算子,小波方法均是最優的。

研究中采集的紅棗圖像大小為442×398像素,閾值采用經驗值,實際的周長閾值映射到圖像中的周長為1 084像素,仿真試驗結果判定為準確可行,試驗結果見表1。

3小結與討論

隨著自動化技術在農業產品中應用越來越廣泛,其理論研究的方法也越來越多,從計算機視覺領域結合農業自動化技術提出了對紅棗加工有促進作用的紅棗自動分級的核心方法,對于紅棗生產的地區有重要意義。研究提出了利用方向小波方法對紅棗圖像進行邊緣檢測進而計算紅棗大小來對紅棗分級的方法,經仿真試驗證明小波變換方法的優越性及整個方法的有效性和快速性。此研究是在假設紅棗無腐爛的情況下進行分級的,所以有一定的局限性,但在下一步研究中可以彌補此點的不足,設置多個閾值可以將紅棗進行多個等級的分揀。

參考文獻:

[1] 李湘萍.6ZF-0.5型紅棗分級機的試驗研究[J].山西農機,2000(14):3-5.

[2] 張保生,姚瑞央.基于BP神經網絡算法的紅棗分級技術應用[J].廣東農業科學,2010(11):282-283.

[3] 趙杰文,劉少鵬,鄒小波.基于機器視覺和支持向量機的缺陷棗的識別研究[J].農業機械學報,2008,39(3):113-115.

[4] 肖愛玲.幾種典型的紅棗分級機[J].新疆農機化,2010(4):10-11.

[5] 肖愛玲,李偉.我國紅棗分級技術及紅棗分級機研究現狀[J].農機化研究,2011(11):241-244.

[6] 沈從舉,賈首星,鄭炫,等.紅棗分級機械的現狀與發展[J].中國農機化學報,2013,34(1):26-30.

[7] 宋文龍,閔昆龍,邢奕,等.基于小波變換的自適應閾值植物根系圖像邊緣檢測[J].北京科技大學學報,2012,34(8):966-970.

[8] 王敬東,徐亦斌,.圖像小波邊緣檢測中邊界處理的研究[J].計算機工程,2007,33(5):161-163.

[9] 鮑雄偉.小波變換在圖像邊緣檢測中的應用[J].電子設計工程,2012,20(14):160-162.

[10] 薄勝坤,張麗英.一種基于小波變換和Canny算子相結合的邊緣檢測方法[J].長春大學學報,2012,22(10):1177-1180.