视觉检查系统中基于BP神经网络的模式识别的研究

摘要

工业视觉检查系统按使用功能不同大致可分为检查、定位和装配三类。本系统属于检查类，即对工业零件或商品进行分类、识别并判别合格与否。在工业生产中，环境和照明条件的确定性使得快速准确地判别、分类零件或商品的想法成为可能，本系统就是在这种想法下应运而生。系统采用图像传感器摄取原始图像，避免了与对象的直接接触和人工检查；利用VC编制图像处理部分，识别算法采用人工神经网络，根据工业零件的形状设计出可模拟多种函数的非线性映射。 在识别系统中提取适合的特征是困难并重要的。对于一幅待识别的数字图像，要想有效的提取它的特征，必须对它作一些必要的处理和分析。在图像识别中，常被选用的特征有图像幅度特征、图像统计特征、图像几何特征、图像变换系数特性等。其中直方图特征、统计性特征、面积、周长、分散度、伸长度等是本课题选取的特征，压缩这些特征作为输入样本训练神经网络。对于训练好的神经网络输入特征可分类图像，从而达到识别的目的。 在各种神经网络的模型中，模式识别中应用最多也是最成功的当数多层前馈网络，其中又以采用BP学习算法的多层感知器(BP网络)为代表。由于网络采用的是监督学习方式进行训练，因此只能用于监督模式识别问题。虽然BP神经网络在应用中取得了一定的成功，但它仍然存在很多缺陷。如：训练时易陷入局部极小、收敛速度慢、隐结点个数难以确定等。本文针对传统BP神经网络的特点，为了提高神经网络识别的速度及实用性，提出了一种动态调整网络结构的改进网络模型，给出了这一模型在应用中的算法。实验结果表明：与传统的BP神经网络比较，改进网络的初始权值的选取相对容易，有效的降低了陷入局部极小的可能，提高了网络收敛和识别的速度。网络采用多输出型编码识别方案，具有一定的自适应特性。

目录

文摘

英文文摘

第1章绪论

1.1项目的背景及意义

1.1.1项目的学术背景

1.1.2项目来源及实际意义

1.1.3国内外与本项目有关的科技现状、水平和发展趋势

1.2项目的主要研究内容和技术指标

1.2.1研究内容

1.2.2技术指标

1.2.3存在的不足和待研究的问题

第2章系统组成与工作原理

2.1模式识别系统的构成

2.2系统的介绍及难点剖析

2.2.1图像采集

2.2.2图像处理和分析

2.2.3图像识别

2.3总体设计方案

2.3.1图像处理和分析的设计

2.3.2识别算法的设计

2.4本章小结

第3章数字图像处理

3.1概述

3.2数字图像的基本概念

3.3数字图像的获取

3.4图像预处理

3.4.1位图设置、读取和基本操作

3.4.2图像增强

3.4.3图像分割

3.5图像分析

3.5.1图像的矩

3.5.2二值图像的几何特征

3.5.3二维形状描述

3.6本章小结

第4章模式识别

4.1模式识别和模式的概念

4.2特征提取和选择

4.2.1特征提取

4.3分类器的设计

4.3.1神经网络概述

4.3.2前馈网络

4.3.3反向传播学习算法

4.3.4一种改进BP神经网络的设计

4.4实验结果及理论分析

4.5本章小结

结论

参考文献

攻读学位期间发表的学术论文

致谢