为了正常的体验网站,请在浏览器设置里面开启Javascript功能!

基于遗传BP神经网络的苹果形状识别

2017-12-27 7页 doc 37KB 18阅读

用户头像

is_633423

暂无简介

举报
基于遗传BP神经网络的苹果形状识别基于遗传BP神经网络的苹果形状识别 基于遗传 B P 神经网络的苹果形状识别 沈明霞 姬长英 李秀智 () 南京农业大学工学院 【摘 要】介绍了一种使用计算机视觉技术进行苹果外形识别的方法 , 用傅立叶描述子提取苹果的形状特征 , 设计 3 层前向神经网络形状进行识别 , 使用遗传算法和 B P 算法相结合的混合算法进行 神经网络权矢量和神经元阈值的学习 。试验结果表明该方法具有 80 %以上的正确率 。 【关键词】遗传算法 ; 神经网络 ; 图像处理 ; 苹果形状识别 中图分类号 : TP391141/ S22013...
基于遗传BP神经网络的苹果形状识别
基于遗传BP神经网络的苹果形状识别 基于遗传 B P 神经网络的苹果形状识别 沈明霞 姬长英 李秀智 () 南京农业大学工学院 【摘 要】介绍了一种使用计算机视觉技术进行苹果外形识别的方法 , 用傅立叶描述子提取苹果的形状特征 , 设计 3 层前向神经网络形状进行识别 , 使用遗传算法和 B P 算法相结合的混合算法进行 神经网络权矢量和神经元阈值的学习 。试验结果表明该方法具有 80 %以上的正确率 。 【关键词】遗传算法 ; 神经网络 ; 图像处理 ; 苹果形状识别 中图分类号 : TP391141/ S220139 文献标识码 : A 文章编号 : 1009 - 1807 ( 2003) 12 - 0064 - 03 基于计算机视觉技术的农产品, 它与铅络的学习。的白线表示区域的最大直径 (品质识别是农产品检测与分级领域实 直方向所夹的锐角 即与 I 轴正向夹 1 特征提取) θ现自动化和智能化的一个重要研究方 角即为。继而可以求出最大直径 (() 和果实边界的交点 A 如图 2 中白点 向。对图像 模式的识别首先是特 111 果实区域的矩特征和边界曲线 ) 所示。对图 1 的图像经过边界跟踪 , 征提取的问题 , 用傅立叶变换来描述 上的特征点 形状特征描述是在经过( ) 即可提取其边缘 如图 2 所示, 这 边界曲线是一种有效的描述目标区域 图像分 (样 , 就可以得到一条联系均匀 一个 ( ) 形状的方法。Y1 Tao 1995在用机 割、二值化、线图形化等图像分析的 ) 像素宽的封闭曲线 , 比较真实地再 器视觉研究土豆的形状分级中 , 就提 基础上 , 进一步抽象出形状特征参数 现了果实的形状。交点 A 提取的意 出了基于傅立叶变换的区分技术。应 的过程 , 属图像分析的范畴。原始果 义在于 , 它是果实形状上位置比较有 () 义斌等 1999在用机器视觉技术进 实图像经过灰度化、中值滤波、二值 固定的点 , 不受果实成像角度的影 行黄花梨果形的识别方法研究中 , 提 化、图像腐蚀去果梗等步骤 , 得到果 响 , 该点对于后面做边缘的傅立叶变 出了采用傅立叶变换和傅立叶反变换 实的连续区域 , 因此 , 可以用区域的 换具有重要的意义。 来描述果形 , 用边界点与形心之间的 矩特征来描述它。矩的公式为 : 幅长函数作为封闭曲线在实域中的函 数形式。本文将傅立叶描述方法引入 p q到对苹果的形状识别中 , 由于苹果的 ( ) ( ) M p , q= ? i j f i , j ( ) i , j?s果梗很多都是缺损的 , 本文采用了一 M 为不同 p ,q 值下图形的矩 ,种新的方法来提取外形轮廓上的特征 i , j 为点的坐标 , ( ) f i , j 相当于 点 , 作为离散序列的起始点 , 而且引 一个像素的质量。我们可以用零阶矩入了一种新的函数形式在实域中描述 代表区域的面积 , 用一阶矩与零阶矩 曲线 , 以提取出离散傅立叶变换所需 1 区域的最 图 2 轮廓跟踪图 (的比值作为区域的重心 如图 1 所示 的离散序列。分类器仍然选用具有强 大直径 ) 亮点, 并可以用它的二阶矩求出主 大的非线性映射能力的神经网络 , 实 112 轮廓曲线的傅立叶描述 傅立叶轴方向角 , 公式为 : 现对果实图像的识别 , 由于遗传算法 ( ) 描述子 FD 是物体形 具有有效的全局寻优能力 , 本文将它 2状边界曲线的傅立叶变换系数 , 它是 θ) ) ( ( M tan+ {〔M 2 , 02M 0 , 2〕/和传统的 B P 算法结合起来 , 进行网 2( ) θ物体边界曲线信号的频域分析的结 1 , 1} tan= 1 以图像的左上角为坐标原点 , 水 ( 果。曲线上点的切线的转角函数 切 ( ) 平方向为 J 轴 向右为正向, 铅直 ) 线与图像坐标系横轴的夹角包含了 () 方向为 I 轴 向下为正向, 图 1 中 曲线的形状信息 , 而且具有目标在图 首先把封闭曲线按长度做 128 个开始离散采样的 , 图 4 是以 B 后面, 而一个种群解集的一个种群开始的 ( 第 50 个点为起点开始离散采样的。2 则由经过基因编码的一定数目的个体 等分 , 得到 128 个等分点 P, i = i 个不同的结果说明起始采样点的选 组成。初始种群产生以后 , 按适者生 ) 1 , 2 , 128。对曲线上每一离散点取 , 直接影响变换后的结果 , 因此 , 存和优胜劣汰的原理 , 逐代演化产生 P做它的切线 , 即可得到该切线与 i 出越来越好的近似解。在每一代 , 根 应该选取外形曲线上比较有特征的点 X 轴正向的夹角 , 这样二维的曲线图 据问题域中个体的适应度大小挑选个 作为起始采样点。 像信息转化为一维的离散函数信息 体 , 并借助于自然遗传学的遗传算子 果梗与果体的交界点是果实上位 α) ( = f P, 将该离散序列作为表达 i i 进行组合交叉和变异 , 产生出代表新 置最为固定的点 , 但是对于苹果来 在实域中封闭轮廓曲线的函数形式。 的解集的种群。前向神经网络的权值 说 , 果梗往往是缺损或者过短 , 因此 α) ( 由于该曲线是封闭曲线 , = f P是i i 的训练问题 , 实际是一个优化问题 , 该点的提取不具有普遍意义。如上所 一个离散的周期函数。根据数字信 号优化的目标是使网络的实际输出和理 述 , 求出果实区域的最大直径与边缘 处理的频谱分析理论 , 离散周期函 数想输出的差值最小。因此 , 用遗传算 的交点作为起始采样点就可以解决这 的频谱是周期的离散谱 , 可以用序 列法训练网络的方法是合适的。但 GA 个问题。 的离散傅立叶变换得到这个离散频 谱依概率进行的寻优操作在多数情况下 在一个周期内的序列值。频谱的物 理全局范围的次优解 , 而且精度不高 , 意义反映的是函数包含的各次谐波 的不易获得最优解。因此 , 先用 GA 在 () 大小 幅度, 所以能够反映函数 2 神经网络的设计 α) ( = f P的波形 , 间接地反映了i i 211 神经网络和在 GA —B P 算法 原曲线的形状信息。 离散傅立 叶级数的正变换 : N - 1 ( ) ( ) Σ X = k= D FS〔x n〕= x p p pn = 0 π2 - j k n N ( ) ne ( )1 ( ) ( ) 反变换 : x n = ID FS〔X k 〕 p p N - 1 π2 j k nN Σ ( ) ( )= X ke 2 p k = 0 图 3 不同起始离散点的傅立叶描述子() () 式 1和式 2构成了傅立叶 Cybenko 从理论上了 3 层前,解空间定位出一些较好的搜索空间 ( ) 级数的变换对 , 式 2可以理解为 向神经网络可以以任意精度逼近任一 然后用 B P 算法在这些解空间中求得 表示一个对所有 k 值均有定义的周 连续函数 , 因此 , 本文的苹果外形分 最优解。 期序列 , 其周期为 N , 在引入周期 类器采用 3 层前向网络。 212 算法模型的确定 序列的主值序列这一概念后 , 无限长 传统的 B P 算法虽然得到广泛的 21211 编码 ( ) ( ) 序列 X k 、 x n 只须用主值 p p 应用 , 但是它本质上是采用优化运算 用 GA 训练网络 , 首先要把网络 ( ) ( ) 序列 X k、x n 即可求得并完 中的梯度下降算法 , 因而是一种局部 权值和结点的阈值编成二进制代码 , 全的表达 , 这样就可以用离散傅立叶 寻优的方法 , 存在着学习速度慢、容 在计算适应度时 , 再把二进制代码译 变换来求得离散周期序列的频谱 : 易陷入局部最优解等弊端。近年来 , N - 1 ( ) ( ) ( ) ( ) X k= D F T〔x n 〕= ?x n 将遗传算法 GA和 B P 算法相结合 n = 0 ω 成对应在取值区间内的实际值 、i 的混合遗传算法被广泛应用到图像 θωω。设 权 值 的 取 值 范 围 , i i i min () 模式识别中 , 这是因为遗传算法 k n ω。二进制代码对应的无符号十进 i max W , 0 ?k ? N - 1 N 是同时处理群体中多个个体的方法 , 制数为 u, 编码长度为 l , 那么译码 i 做长度为 128 的离散序列的快速 即同时对搜索空间中的多个解进行评 公式为 : 估。这一特点使其具有较好的全局搜 傅立叶变换 FF T , 就可以得到图 2 封 闭曲线的频谱图。图 3 和图 4 都是对 (ωω) - ×u i max i miniωω= +i i min l 上面的曲线选择不同的边界离散化起 ( )2 - 1 该种群是随机产生的 , 但种群的 一级样本二级样本三级样本 样本 序号 实际输出 机器分类 实际输出 机器分类 实际输出 机器分类 数目要先确定下来。选择 50 ?N ? 100 , N 较小时有助于提高 GA 的运 一 三 三 1 01335 01776 01805 算速度 , 但可能会影响它的全局寻优 一 三 三 1430 01808 01890 02 能力 , N 较大时又会降低算法的运 一 二 三 3 01057 01553 01892 行效率。 一 一 三 4 21213 适应度评价 遗传算法中使用01322 01258 01775 这个概念来度量 一 一 三 5 01344 01407 01808 种群中各个个体在优化计算中有可能 一 二 三 6 01322 01455 01915 达到或接近于有助于找到最优解的优 一 二 三 7 01392 01608 01861 良程度 , 作为下一代种群选择的依 据。定义如下的适应度函数 : 0175 , 1 〕, 则将该样本划为三类。 〔向量并联作为特征向量 , 则网络过于 庞大 , 而且向量空间不一定可分 , 所 由表 1 可计算出分级的正确率可达以本文设计网络还是对单个面考察 , 80 %以上 , 分级的误差主要集中在第 ) - f , f ?CC 然后对 2 个结果比较 , 取较低的等级 = F 2 级样本。 0 , )f > C 作为分级结果。 f 为所有样本的实际输出和理想 3 结论输出的误差平方和 , C 是大于 f 的某 所以网络的输入结点数为 4 ,隐个值 , 一般 C ?f 。可使样本误差 max 含层结点的个数用试凑法定为 6 , 输 本文阐述的频域中提取苹果形状平方和最小的网络其适应度越大。 特征参数的方法是有效的 , 基本能够 1 , 选 用 { 013 , 出层结点的个数为 21214 遗传操作算子 反映苹果的形状 , 而且具有平移、旋 016 , 019} 3 个位作为网络的理想输 选择 : 使用轮盘赌选择法。首先 转、尺寸不变性的特点。用遗传算法 出 , 对应将苹果划分的 3 个等级。选 根据个体的适应度计算其选择概率和 和 B P 算法对 3 层前向神经网络进行 取 3 个等级的红富士苹果各 20 个作 累积概率 , 为了选择交配个体 , 需要 为训练样本 , 再取 3 个等级的苹果各 进行多轮选择 , 每一轮产生一个 〔0 , , 结果是收敛的。权值和阈值的学习 7 个作为检验样本。 首先用遗传算1〕均匀随机数 , 将该随机数作为选 法进行权值和阈值 用样本对训练好的网络进行检验可以择指针来确定被选个体。 得到 80 %的准确率。 的学习 , 试验中群体规模取 50 , 交 交叉 : 把 2 个父个体的部分结构 叉概率取 018 , 变异概率取 0101 , 优 参 考 文 献 加以替换重组而生成新个体的操作 , 化计算限制在 150 代 , 结果在 141 代 其目的是为了能在下一代产生新的个 1 找到最佳个体 , 整个过程共进行了 应义斌 , 景寒松 , 马俊福等. 黄花梨果体 , 以提高算法的搜索能力 , 本文选 形的机器视觉识别方法研究 〔J 〕. 农业 3 012次交叉操作 , 22 141 次变异操 用单点交叉法。 ( ) 工程学报 , 1999 , 15 1: 192,1961 李作 , 在 P ?700 微机上所用时间只有 变异 : 对于二进制编码的个体而 庆中 , 张漫 , 汪懋华. 基于遗传神经 6s 。然后用 B P 算法对遗传算法找到 2 言 , 变异意味着变量的翻转 , 它使遗 网络的苹果颜色实时分级方法 〔J 〕. 中 的结果进行局部寻优 , 试验证明 , 经 传操作具有局部的随机搜索能力。 ( ) ( ) 国图像图形学报 A 版, 2000 , 5 9: 过 1 000 000 次迭代 , 训练样本的理 779,7841 21215 B P 算法的激活函数 用它来想输出和实际输出的差值能限制在很 陈国良等. 遗传算法及其应用 〔M〕1 描述神经元的激活值和输 小的范围之内。 北京 : 人民邮电出版社 , 19961 3 出值的关系。采用单极型的 Sigmoid 最后用 21 个样本对 2 种算法得 王小平 , 曹立明. 遗传算法 〔M〕1 西 函数作为激活函数。 安 : 西安交通大学出版社 , 20021 到的网络进行检验 , 试验结果见表 213 试验结果与分析 4 1 。3 个等级样本的理想输出分别是 只拿 1 个面的成像来考察苹果的 013 、016 、019 。如果网络输出 out2 形状有很大的片面性 , 所以本文取相 ) p ut ?〔0 , 0145 , 则将该样本划为 对摄像机相差 90?的 2 个面的成像来 () 江苏省自然科学基金 B K2001068) 一类 , 如果 outp ut ?〔0145 , 0175, 综合评判 , 如果把 2 个面的 2 个四维 收稿日期 : 2003 - 05 - 19 则将该样本划为二类 , 如果 outp ut ? ( ) 作者简介 : 沈明霞 1964 - , 女 , 江苏常 熟市人 , 南京农业大学工学院副教授、博 士 , 研究方向为农产品图像检测技术。 通 ( ) 讯地址 : 210031南京农业大学 97 信箱
/
本文档为【基于遗传BP神经网络的苹果形状识别】,请使用软件OFFICE或WPS软件打开。作品中的文字与图均可以修改和编辑, 图片更改请在作品中右键图片并更换,文字修改请直接点击文字进行修改,也可以新增和删除文档中的内容。
[版权声明] 本站所有资料为用户分享产生,若发现您的权利被侵害,请联系客服邮件isharekefu@iask.cn,我们尽快处理。 本作品所展示的图片、画像、字体、音乐的版权可能需版权方额外授权,请谨慎使用。 网站提供的党政主题相关内容(国旗、国徽、党徽..)目的在于配合国家政策宣传,仅限个人学习分享使用,禁止用于任何广告和商用目的。

历史搜索

    清空历史搜索