一种基于神经网络内模控制的嵌入式图像识别系统及方法

摘要

本发明公开了一种基于神经网络内模控制的嵌入式图像识别系统及方法，包括：图像检测模块、图像处理模块、主控制器；图像检测模块用于采集获取图像信号；图像处理模块与图像检测模块信号连接，用于对图像信号进行预处理、端点检测及特征提取，得到图像特征数据；主控制器经SPI接口与图像处理模块连接，用于通过多个识别模型对图像特征数据进行图像识别，得到多个预测结果，并通过对多个预测结果进行加权平均，获取最优识别结果，其中，主控制器为基于神经网络内模控制结构的控制器。本发明根据同一训练集中的不同子集建立多个模型，通过多次使用训练集中不同子集样本的信息，降低预测结果对某一样本的依赖性，从而提高模型的预测可靠性。

说明书

技术领域

本发明属于图像识别技术领域，尤其涉及一种基于神经网络内模控制的嵌入式图像识别系统及方法。

背景技术

嵌入式图像识别系统是指应用各种先进的微处理器在板级或是芯片级用软件或硬件实现图像识别技术。嵌入式图像识别系统和PC机的图像识别系统相比，虽然运行速度和内存容量有一定限制，但它具有体积小、功耗低、可靠性高、成本小、安装灵活等优点，特别适用于智能家居、机器人及消费电子等领域。

但是也正因为其嵌入式的特性，使其图像识别在精准性、效率性等方面受限，这使得需要一种新型的嵌入式图像识别系统。

发明内容

本发明为解决嵌入式图像识别系统存在的技术问题，提供了一种基于神经网络内模控制的嵌入式图像识别系统及方法。

为解决上述问题，本发明的技术方案为：

一种基于神经网络内模控制的嵌入式图像识别系统，包括：图像检测模块、图像处理模块、主控制器；

图像检测模块用于采集获取图像信号；

图像处理模块与图像检测模块信号连接，用于对图像信号进行预处理、端点检测及特征提取，得到图像特征数据；

主控制器经SPI接口与图像处理模块连接，用于通过多个识别模型对图像特征数据进行图像识别，得到多个预测结果，并通过对多个预测结果进行加权平均，获取最优识别结果，其中，主控制器为基于神经网络内模控制结构的控制器。

在其中一个实施例中，多个识别模型为基于同一训练集中的不同子集建立并训练的模型。

在其中一个实施例中，神经网络内模控制结构包括神经网络控制器、神经网络状态辨识器，神经网络控制器以神经网络状态辨识器的神经网络内部模型作为训练对象，用于学习被控对象的动态特性，神经网络控制器用于经离线和在线训练学习被控对象的逆动态特性，其中，神经网络状态辨识器作为被控对象的近似模型并与被控对象并行设置，神经网络状态辨识器与实际对象的差值和期望的给定值的差值，经线性滤波器反馈于神经网络控制器。

在其中一个实施例中，主控制器为基于FPGA与ARM的双核控制芯片。

在其中一个实施例中，图像处理模块包括图像处理芯片、内存，图像处理芯片用于对图像信号进行预处理、端点检测及特征提取，得到图像特征数据，内存用于存储图像特征数据。

在其中一个实施例中，还包括控制执行模块，主控制器还用与根据最优识别结果生成控制指令，控制执行模块用于根据控制指令控制对象执行对应动作。

一种基于神经网络内模控制的嵌入式图像识别方法，包括以下步骤：

S1：基于同一训练集中的不同子集建立多个模型，并进行训练，得到多个识别模型；

S2：采集获取图像信号，对图像信号进行预处理、端点检测及特征提取，得到图像特征数据

S3：通过多个识别模型对图像特征数据进行图像识别，得到多个预测结果，并通过对多个预测结果进行加权平均，获取最优识别结果，图像识别基于神经网络内模控制识别。

在其中一个实施例中，步骤S3之后还包括：

S4：根据最优识别结果生成控制指令，并根据控制指令控制对象执行对应动作。

本发明与现有技术相比具有以下的优点和积极效果：

1)本发明根据同一训练集中的不同子集建立多个模型，通过多次使用训练集中不同子集样本的信息，降低预测结果对某一样本的依赖性，从而提高模型的预测可靠性；

2)本发明在神经网络内模控制结构中，由于引入了内部模型，反馈量由原来的输出全反馈变为扰动估计量的反馈，使得控制更为精确、高效，对于系统鲁棒性及抗干扰性的增强作用十分明显。

附图说明

通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本发明的限制。

图1为本发明的基于神经网络内模控制的嵌入式图像识别系统的硬件结构示意图；

图2为本发明的基于神经网络内模控制的嵌入式图像识别系统的神经网络内模控制结构示意图；

图3为本发明的基于神经网络内模控制的嵌入式图像识别系统的神经网络状态辨识器结构示意图；

图4为本发明的基于神经网络内模控制的嵌入式图像识别系统的神经网络控制器结构示意图；

图5为本发明的基于神经网络内模控制的嵌入式图像识别方法的流程示意图。

具体实施方式

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对照附图说明本发明的具体实施方式。显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图，并获得其他的实施方式。

为使图面简洁，各图中只示意性地表示出了与本发明相关的部分，它们并不代表其作为产品的实际结构。另外，以使图面简洁便于理解，在有些图中具有相同结构或功能的部件，仅示意性地绘示了其中的一个，或仅标出了其中的一个。在本文中，“一个”不仅表示“仅此一个”，也可以表示“多于一个”的情形。

以下结合附图和具体实施例对本发明提出的一种基于神经网络内模控制的嵌入式图像识别系统及方法作进一步详细说明。

参看图1，本申请提供了一种基于神经网络内模控制的嵌入式图像识别系统，包括：图像检测模块、图像处理模块、主控制器；

图像检测模块用于采集获取图像信号；

图像处理模块与图像检测模块信号连接，用于对图像信号进行预处理、端点检测及特征提取，得到图像特征数据；

主控制器经SPI接口与图像处理模块连接，用于通过多个识别模型对图像特征数据进行图像识别，得到多个预测结果，并通过对多个预测结果进行加权平均，获取最优识别结果，其中，主控制器为基于神经网络内模控制结构的控制器。

现对本实施例进行详细说明，但不仅限于此。

本实施例的系统主要包括图像检测模块、图像处理模块、主控制器，以及电源电路和外围辅助电路，其中，将各个功能模块集成在一块PCB板上，使其具有体积小、功耗低、可靠性高、成本小、安装灵活等优点。参看图1，从图像检测模块获得的图像信号经光电转换，并通过电荷耦合方式输出，电信号经放大处理后，通过A/D转换板，输入主控芯片，即可进行实时在线图像信号特征识别分析。

本实施例的图像处理模块包括图像处理芯片、SDRAM和外围辅助电路，图像处理芯片作为模块的核心，主要完成对图像信号的预处理、端点检测和特征提取，外围辅助电路包括增益调节电路和LED指示灯，主要用于增益调节和识别状态的指示。

本实施例的主控制器的核心芯片以FPGA与ARM双核为控制芯片，利用ARM稳定性好、控制性强的特点，用来实现数据的分析与处理、向计算机传送数据以及完成按键对应任务的处理，利用FPGA在逻辑控制和数据采集设计方面的优势，实现数据采集、SD卡的控制以及液晶显示。主控制器主要完成待识别图像的图像特征数据与多个识别模型中的图像信号特征对比和控制执行。

较优地，了得到更加稳定、可靠的定量分析结果，模型预测的精度与稳定性成为关键问题。为解决传统多元校正技术应采用单一模型而造成的不足，本实施例的系统采用了多模型预测的方式，对同一训练集中的不同子集建立多个模型，通过多次使用训练集中不同子集样本的信息，降低预测结果对某一样本的依赖性，从而提高模型的预测可靠性，多个识别模型为基于同一训练集中的不同子集建立并训练的模型。

较优地，本实施例的主控制器为基于神经网络内模控制结构的控制器，基于内模控制结构，设计的控制器输入为图像浓度的参考值，输出为预测组分的特征含量值。神经网络内模控制结构如图2所示，其包括神经网络控制器ANNC，一个作为神经网络状态辨识器ANNI。其中，参看图2，神经网络状态辨识器用于充分逼近被控对象的动态模型。神经网络控制器(ANNC)不是直接学习被控对象的逆动态模型，而是以充当状态辨识器的神经网络内部模型作为训练对象，间接地学习被控对象的动态特性，从而回避了要估计而造成的困难。神经网络辨识器(ANNI)作为被控对象的近似模型与实际对象并行设置，它们的差值用于反馈，同期望的给定值的差值，经一线性滤波器的处理后，送入神经网络控制器ANNC，经过离线和在线训练，ANNC将间接地学习到对象的逆动态特性。

本实施例在神经网络内模控制结构中，由于引入了内部模型，反馈量由原来的输出全反馈变为扰动估计量的反馈，使得控制更为精确、高效，对于系统鲁棒性及抗干扰性的增强作用十分明显。

具体地，参看图3，ANNI结构如下：

输入层：

隐含层：

输出层：

其中：u

递归神经网络辨识器ANNI的权值训练算法可表示为：

其中，

具体地，参看图4，ANNC结构如下：

输入层：

隐含层：

输出层：

其中：x

前馈神经网络控制器ANNC的权值训练算法可表示为：

本实施例将控制芯片应用于图像识别中代替传统图像识别系统的PC机，使其具有体积小、成本低、功耗低和安装灵活等优点。采用适用于嵌入式平台的改良图像识别算法，并应用嵌入式实时控制系统管理任务分配，确保识别的实时性，从自适应神经网络的运行原理可以看出，算法的优势在于采用同一检验集中的不同子集建立多个模型，同时进行预测，利用多个预测结果的加权平均，获得最优的预测结果。

较优地，本实施例的系统等待触发时处于休眠状态，减少功耗，当进行按键或口令触发时，系统恢复正常工作状态，进行硬件及程序初始化；图像检测模块将采集到的图像信息传输到图像处理芯片进行预处理、端点检测及特征提取，将获取特征数据暂存在SDRAM中；主控芯片将获取特征与特征库中图像特征进行匹配，如果特征匹配正确，则转换成相应控制指令完成控制动作，否则等待新的图像指令，不论是否识别成功，都给予图像反馈信息。

较优地，本实施例的电源电路将输入电压稳压到各模块所需电压值后，为各模块独立供电。主控制器与图像识别模块通过SPI接口连接，并应用嵌入式实时控制系统管理任务分配及控制执行，满足系统实时性的需求。

较优地，还包括控制执行模块，主控制器还用与根据最优识别结果生成控制指令，控制执行模块用于根据控制指令控制对象执行对应动作。

具体地，本实施例具体地以获取高质量图像为目标，以被测对象的特性为主导的照明方案设计原则；以表面缺陷检测为例，建立基于线阵CCD系统进行表面缺陷检测的数学模型，提出表面缺陷的图像特征；建立表面缺陷检测成像系统景深的数学模型。对不同背景模式的缺陷分割问题进行研究；设计完整的基于边缘的缺陷分割算法流程；提出基于小波系数层问相关性的容噪性边缘检测算法；釆用一种有理系数对称紧支集双正交小波滤波器。在缺陷图像的空间域、投影域、小波变换域进行图像特征参数提取的研究，并利用主成分分析法进行特征空间降维；设计基于DAG SVM的缺陷分类决策树；采用谱系聚类优化决策树结构设计。采用事前分析法和事后测试法对本发明提出的关键算法进行时间效率分析；采用实时采集加准实时处理、多线程技术，设计基于内存映射文件技术的存储文件系统。

参看图5，本申请提供了一种基于实施例1的一种基于神经网络内模控制的嵌入式图像识别方法，包括以下步骤：

S1：基于同一训练集中的不同子集建立多个模型，并进行训练，得到多个识别模型；

S2：采集获取图像信号，对图像信号进行预处理、端点检测及特征提取，得到图像特征数据

S3：通过多个识别模型对图像特征数据进行图像识别，得到多个预测结果，并通过对多个预测结果进行加权平均，获取最优识别结果，图像识别基于神经网络内模控制识别。

较优地，参看图5，步骤S3之后还包括：S4：根据最优识别结果生成控制指令，并根据控制指令控制对象执行对应动作。

本实施例根据同一训练集中的不同子集建立多个模型，通过多次使用训练集中不同子集样本的信息，降低预测结果对某一样本的依赖性，从而提高模型的预测可靠性。

上面结合附图对本发明的实施方式作了详细说明，但是本发明并不限于上述实施方式。即使对本发明作出各种变化，倘若这些变化属于本发明权利要求及其等同技术的范围之内，则仍落入在本发明的保护范围之中。