收藏 分销(赏)

基于机器学习的计算机视觉系统网络图像识别方法研究.pdf

上传人:自信****多点 文档编号:2336934 上传时间:2024-05-28 格式:PDF 页数:3 大小:2.34MB
下载 相关 举报
基于机器学习的计算机视觉系统网络图像识别方法研究.pdf_第1页
第1页 / 共3页
基于机器学习的计算机视觉系统网络图像识别方法研究.pdf_第2页
第2页 / 共3页
基于机器学习的计算机视觉系统网络图像识别方法研究.pdf_第3页
第3页 / 共3页
亲,该文档总共3页,全部预览完了,如果喜欢就下载吧!
资源描述

1、信息记录材料 年 月 第 卷第 期基于机器学习的计算机视觉系统网络图像识别方法研究朱庆华(河南长业智能科技发展有限公司 河南 郑州)【摘摘要要】本文以计算机视觉系统网络图像识别方法为研究对象,对现有基于机器学习的识别方法从设计原理、算法设计和处理流程等方面进行阐释。通过分析发现,复杂视觉网络图像识别过程中存在高辨识率和高速性难以实现的问题。为此,在原本算法原理基础上,研究人员引入结构平衡网络,区别于像素作为节点的方式,将图像的灰度矩阵作为连接权值矩阵,借助 乘积变换区分连接权值,提取特征参量,遍历灰度图像,加权处理特征参数,最终实现识别方法改进目标。将改进后的方法应用于工件识别中,结合数据证明

2、所设计的方法在计算机视觉系统网络图像识别中的有效性。【关关键键词词】机机器器学学习习;计计算算机机视视觉觉系系统统;网网络络图图像像识识别别;结结构构平平衡衡网网络络【中中图图分分类类号号】【文文献献标标识识码码】【文文章章编编号号】()作者简介:朱庆华(),男,河南杞县,本科,高级工程师。研究方向:人工智能。引言随着技术的不断发展与成熟,计算机视觉系统网络图像识别中引入多种先进的机器学习算法,例如:神经网络算法、小波分析算法、遗传算法、梯度分类算法等,在数字图像自动化识别过程中应用机器学习算法能够发挥对比、分类、处理和存储的性能,通过非线性方式处理计算机图像,提高所识别图像的直观性。但在实际

3、运行中,存在着识别高速性不足的问题,为此,文章研究结构平衡网络用于改进现有算法的方式和可行性,基于现有机器学习网络图像识别方法,给出改进方法,并验证其有效性。现有方法 设计原理构建计算机视觉系统图像识别系统利用了机器学习算法的拟合、偏差和精度验证的高效能。所形成的识别系统分为两种模式:第一为机器学习算法在测试集和训练集的共同作用下,获取特征向量指标,并完成模拟图像学习。划分指定标准样本中图像信息,得到学习样本的特征向量值,提取所得信息,奠定学习标准测试集的基础。根据图像数据集,模拟出与之相似的算法,完成图像识别操作。第二为图像被识别模式,经图像数据预处理、特征提取、分类后,输出分类结果。此种模

4、式下分析判断的对象为已采集图像信息,按照同一类别将分类器单元处理的数据信息输出,满足图像精度提升和识别分类要求。算法设计在计算机中心部署经压缩训练的测试集与训练集,最终形成带有感知层、输出层和隐藏层的数学模型。其中,感知层的输入向量定义为 (,),偏值为,隐藏层输出向量为 (,),输出层输出向量为 (,)。隐藏层的表达式为式():(),()机器学习输出层的表达式为式()、式():(),(),()其中,(),()()(),为单极性函数,存在可导特点。处理流程原始图像为网络灰色图像,经网络图像特征过滤后,针对单一维特征相关性予以评分,采取多重线性方差膨胀因子、检验法等处理方式,分析计算机网络图像中

5、是否存在特征向量多余、相关性差的特征向量,如若存在,需进行剔除。过滤环节预先设定阈值,基于机器学习算法所选取的单一维特征向量将生成多组特征,在经验分析模型作用下,特征组合具备相关性强的特点,能够成为学习分析和识别检测的基本特征向量。机器学习图像识别环节易出现精度低、特征训练难的情况,针对此种情况一般采取主成分分析的方式建立模型,通过优化数据结构,提升数据的直观度和可视化水平,利于分析和探索数据。但学习中的维度灾难降低程度仍有可提升空间,需继续予以改进。经简化黑白和灰化处理原始图片后,图像特征像素指标增强依赖于对比度,通过提升对比度使得预处理的图片与原始图片更为匹配。提取像素分布规律,将图像像素

6、干扰因素去除,提取图像特征向量,匹配像素特征,分为非正常图像和正常图像,对正常图像进行分类。计算机识别系统功能模块由预测结果生成、预测分类显示区域、学习模型训练、特征向量筛选,以及图像显示单元构成。在摄像头打开后,原始图片资源被硬件设备获取,经降维、选取特征向量等处理后,在特征向量模型中导信息记录材料 年 月 第 卷第 期入所提取的图像特征,生成特征向量模型,为分析提取识别图像特征奠定基础。在预训练图片后,新图片经模型分析预测,输出识别结果。结果输出位置为文本框,在调整分辨率、纹理、条带、亮度、尺寸后,显示具体图像特征。改进方法通过对现有基于机器学习的计算机视觉网络图像识别方法的阐述来看,在降

7、维处理中存在一定问题,因此,下文将就低训练速度和精度问题给出利用结构平衡网络的改进方法。乘积变换定义两个结构平衡网络,分别为、,均具有 阶结构,对应的连接关系矩阵分别为:(),(),组成的矩阵集合为。定义给定的 结构平衡矩阵为 (),则(),且 为结构平衡矩阵,其逆变换为 ,(),变换后的 矩阵称之为变换矩阵。因 乘积变换过程结构平衡分类特点不发生变化,构建像目标结构平衡矩阵 ,其中包含负元素。在矩阵 中的元素可分为、。采取方形处理方式处理任一输入图像,获得正灰度矩阵,初始结构平衡矩阵设置为 ,借助乘积变换获取像目标结构平衡矩阵 (),并得到第一、二朋友权值与隔离权值集合的识别特征参量,包括:

8、(;)、(;)。乘积变换矩阵选择识别计算机视觉系统网络图像的关键在于选定包含正负元素的适合变换矩阵,借助结构平衡网络将正负权值涵盖在像目标结构平衡矩阵中,具备分类性质。对 维列向量 进行分组,分组次数为 ,获取分块向量,对应表达式为式():,()式()中,为对 施行第 次分组时得到的 维子行向量,。记向量:()()()(),()式()中,为 个自然数。乘积变换矩阵 中,子分块(处于第 列、第 行)的矩阵为 阶,表示为()(),元素为();对 角 子 分 块 的 矩 阵 为 方 矩 阵,表 示 为(),元素为。考虑到 会影响矩阵 的第一、二个隔离权值集和朋友权值集,需对确定变换矩阵中各子块元素符

9、号的 的奇偶性予以分析。按照分段取值的方式设定,假设,。在分四段取值后,发现所形成的变换矩阵如图 所示。图 结构平衡矩阵可以发现,所形成的结构平衡矩阵符合四中心阵的井字带特点,形成的像目标结构平衡矩阵表示为:(),子集均具备图 所示的结构特点。所形成的矩 阵 集 合 可 描 述 为:第 一、二 个 隔 离 权 值 集 为:;朋友权值集为:、;网络拓扑参量为:(;)、(;)、(;)。识别分类获取图像特征参数后,分类识别不同类别的图像。识别环节包含采样、参数匹配和识别分类 个步骤。首先,采样阶段的训练组集合设定为 ,任一目标设定为,利用上文所研究的图像识别改进方法,获得特征参量,设定为。训练组和测

10、试组的图像特征参量分别为()、()。其次,运用最小距离分类法进行参数匹配。判定同一类别的标准为计算任意两图像特征参数的度量距离,若为最小,则为同一类。待识别目标与测试组图像特征参量的欧式距离可表示为:(),()。最后,在识别分类阶段,当(),()最小时,说明待识别目标属于训练组,且图片包含在 类中。改进方法实践应用 相机标定将所改进的方法应用至实际中要经过相机标定环节,为计算机视觉网络系统识别作业提供支持。相机标定的最终结果为获得相机内参和处理镜头畸变问题,其中,转换相机与图像间的坐标需借助内参,通过寻求合适的数学模型,实现三维坐标系向二维坐标轴的转换,进而利用二维图像展示三维物体。设定 为正

11、交旋转矩阵,在世界坐标系中转换像素坐标系,见图,表达式为式():()信息记录材料 年 月 第 卷第 期其中,为三维平移向量。图 相机几何模型 标定板的参考系原点选择较为关键,本文将所采集图像的右下角第一个角点设定为原点,其余角点分布在顺时针方向上。当发现真实标定板角点位置与预测角点位置基本吻合时,确定此点为角点提取结果。如若无法达到高吻合度,需将切向畸变系数或径向畸变系数输入,以此对角点位置进行调整。实物搭建为验证改进后所设计的计算机视觉系统网络图像识别方法是否可行,需在选定合适视觉系统硬件后,通过判定计算机是否具备识别目标图像的功能来验证改进方法的有效性。视觉系统硬件包含工控机、触摸显示屏、

12、图像处理系统、摄像机、镜头和光源,经比对,最终的硬件设备参数及型号见表。表 硬件设备参数及型号硬件设备参数及型号工控机 系列触摸显示屏 像素、英寸的 图像处理系统与 相机外接的、分辨率为()()摄像机读取时间:、万像素的、光电传感器类型为 镜头 镜头、焦距为 光源 系列、波长为 、工作电流为 、供电电压为 识别分类实现将系统采集的工件图像借助所改进的方法进行识别,根据识别结果进行定位,获取工件位置信息和工件位置。经对比,所获得的结果与工件状态和所处位置相符,证明方法的可行性和有效性。结语综上所述,文章对现阶段基于机器学习的计算机视觉系统网络图像识别方法进行介绍,发现在降维处理中存在一定问题,需

13、利用优化数据结构提升数据的直观度和可视化水平的方式保证降维效果。为此,设计一种利用结构平衡网络的改进方法。所设计的改进方法形成的结构平衡矩阵符合四中心阵的井字带特点,形成的像目标结构平衡矩阵表示为:(),子集均具备四中心阵的井字带特点。通过搭建计算机视觉系统,选择硬件设备,识别工件状态和位置,发现识别结果与工件状态和所处位置相符,说明改进方法切实可行,能够应用于实践中。【参考文献】纪永 基于机器视觉的加热炉内异常情况图像识别方法研究 工业加热,():李雪松,李晓冬,罗子娟,等 融合空域和频域网络模型的 图像识别 现代雷达,():张琴 基于像素直方图和 优化算法的视觉图像识别检测技术研究 河北北方学院学报(自然科学版),():刘孟,刘剑勇,黄长勇,等 基于人工智能的图像识别技术研究 电工技术,():,钱卓昊,张红旗,卢梓睿 变电站屏柜运检中的图像识别技术应用 集成电路应用,():王丽媛 人工智能中的图像识别技术分析 集成电路应用,():潘永杲,周逸,闵琪涛,等 基于图像识别的数字温湿度计自动校准装置的设计 计量与测试技术,():戴维义 图像识别技术在变电站智能巡检机器人中的应用 科学技术创新,():王硕 基于视觉图像识别的混凝土裂缝提取研究 中国高新科技,():,刘玉洁 基于机器视觉的零件加工瑕疵图像识别算法 信息与电脑(理论版),():

展开阅读全文
部分上传会员的收益排行 01、路***(¥15400+),02、曲****(¥15300+),
03、wei****016(¥13200+),04、大***流(¥12600+),
05、Fis****915(¥4200+),06、h****i(¥4100+),
07、Q**(¥3400+),08、自******点(¥2400+),
09、h*****x(¥1400+),10、c****e(¥1100+),
11、be*****ha(¥800+),12、13********8(¥800+)。
相似文档                                   自信AI助手自信AI助手
百度文库年卡

猜你喜欢                                   自信AI导航自信AI导航
搜索标签

当前位置:首页 > 学术论文 > 论文指导/设计

移动网页_全站_页脚广告1

关于我们      便捷服务       自信AI       AI导航        获赠5币

©2010-2024 宁波自信网络信息技术有限公司  版权所有

客服电话:4008-655-100  投诉/维权电话:4009-655-100

gongan.png浙公网安备33021202000488号   

icp.png浙ICP备2021020529号-1  |  浙B2-20240490  

关注我们 :gzh.png    weibo.png    LOFTER.png 

客服