基于图像识别的苹果分级研究 第11页
滑过这些极小值。
4.4.3基于神经网络的苹果分级判别
前向多层神经网络作为具有教强模式识别功能的工具,已被广泛应用于各个
领域。本系统所采用的网络包含输入层、隐层、及输出层。隐层可以是一层和多
层,每层上的神经元称为节点或单元。网络的信号传播是由输入单元传到隐单元,
最后传到输出单元。每个隐单元的活性取决于输入单元的活性及输入单元与隐单
元的之间的连接权值。同样输出单元的行为取决于隐单元的活性以及隐单元和输
出单元的连接权。
图4-4 BP神经网络
苹果按大小分等级,提取的特征量只有一个——平均半径%,输出有四种情
况(1号,1号,3号,3号),可用两位二进制数表示:00,01,10,1l。取隐层
为一层,4个接点即可。图4.4表示了本设计用BP神经网络所采用的网络结构图。
利用标准等级的苹果首先进行学习,得出学习结果连接权值;然后根据连接权值
进行判断分级。
等级”。
a.图像处理子项 b.特征提取子项
图5—2菜单选项图
工具栏是苹果分级时用到的算法所的选项,如“中值滤波”、“Sobel边缘检
测”、“图像二值化”、“图像细化”、“分等级”。
客户区主要显示处理的图像。分级时,只显示原始苹果图像。也可以按步单独
处理,并查看处理的结果图,如图5.3所示,其中显示的图像有原始图、滤波结
果、边沿检测结果、二值化结果、细化结果。
图5.3单步图像处理结果显示
5.2算法设计
在软件的编写过程中,完成了本人所选用的图像处理算法(中值滤波、Sobel
边缘检测算法、图像二值化、灰度直方图平滑、图像细化),特征值的提取算法(重
心计算,平均半径计算、相对平均半径方差),依据判别函数和特征量对苹果进行
分级等计算。
基于图像识别的苹果分级系统软件部分流程图如图5.3所示。
图5.3苹果分级系统软件部分流程图
在代码书写过程中生成了不少API函数,并加入了不少注释,这为二次开发
打下了基础。以下是FeatureAbstract.h文件中的API函数定义,可以看出书写规
范,接口标准统一。
撑ifndef INC FeatureAbstractAPl
#define INC FeatureAbstractAPI
//计算_二值图像重心函数
BOOL WINAPI CenterGravity(BYTE’lpDIBBits,LONG IWidth,LONG IHeight,CPoint’pt);
//对图像二值化图像后边缘轮廓过滤函数
BOOL WINAPI BinaryEdgeFilter(BYTE’lpDIBBits,LONG lWidth,LONG IHeight,CPoint’pt)
基于图像识别的苹果分级系统软件部分流程图如图5.3所示。
图5.3苹果分级系统软件部分流程图
在代码书写过程中生成了不少API函数,并加入了不少注释,这为二次开发
打下了基础。以下是FeatureAbstract.h文件中的API函数定义,可以看出书写规
范,接口标准统一。
撑ifndef INC FeatureAbstractAPl
#define INC FeatureAbstractAPI
//计算_二值图像重心函数
BOOL WINAPI CenterGravity(BYTE’lpDIBBits,LONG IWidth,LONG IHeight,CPoint’pt);
//对图像二值化图像后边缘轮廓过滤函数
BOOL WINAPI BinaryEdgeFilter(BYTE’lpDIBBits,LONG lWidth,LONG IHeight,CPoint’pt)
}嘲化
BOOL WINAPI ThiningDIB(BYTE‘lpDIBBits,LONG IWidth,LONG IHeight);
,/清除内部斑点
BOOL WINAPI eliminatelnSpot(BYTE’lpDIBBits,LONG IWidth,LONG IHeight);
//长宽计算提取
BOOL wINAPI SizeCalculate(BYTE’lpDIBBits,LONG IWidth,LONG IHeight,CSize’pSize);
“平均半径
BOOL WINAPI averageRadius(BYTE’lpDIBBits,LONG IWidth,LONG IHeight,CPoint ’pt,float
‘averageR.float‘maxRadius);
,/半径相对误差计算
BOOL WINAPI SequareRootRadiiError(BYTE’lpDIBBits,LONG IWidth,LONG IHeight,CPoint’pt,float
’averageR.float’SequareRootRadiaError);
#endif
39
果大小、形状自动分级是完全可行的。估计近几年内,在我国会出现商品化的基
于图像识别的水果大小、形状和颜色的自动分级系统。其次水果按颜色和表面缺
陷的快速检测是目前面临的一大难题,也是限制分级速度和引起误差的主要因素。
对于按颜色、缺陷分级还尚待进一步研究。需要进一步完善视觉信息处理系
统,为实现动态水果全表面缺陷的快速检测,应采用多视角技术和近红外或中红
外成像技术,为了提高视觉信息的处理速度,除进行有效、快速的算法外,还需
要在硬件上采取必要的措施,如采用具有并行特点的高速DSP技术,采用流水线
图像处理硬件系统以及快速的智能处理芯片技术(如神经网络集成芯片、图像滤
波芯片等);机械系统还需要进一步完善,下一步应设计智能化的输送机构、水果
卸载机构和分选机构,保证水果无损地通过整个分选过程的同时,机器视觉可以
快速地完成水果全表面的检查。
<< 上一页 [11]
基于图像识别的苹果分级研究 第11页下载如图片无法显示或论文不完整,请联系qq752018766