【正文】 (Biaoqianhua(i,j)==3amp。 L2。通過對三種弧度的比較，可以將弧度最小的香蕉識別出來。 radian_o=4*pi*S1/(L1)^2 radian_b=4*pi*S2/(L2)^2 radian_a=4*pi*S3/(L3)^2 （ 4）顏色： 計算機(jī)進(jìn)行圖像分類識別的實際操作時 , 顏色特征的表達(dá)和提取存在兩個問題 : ①顏色參量如何有效地反映物體顏色的本質(zhì)并且同人的感覺相一致；②圖像識別是對物體外觀顏色區(qū)域的判 別 , 其特征的表達(dá)主要來自統(tǒng)計方法。 基于本設(shè)計的特點， 樣本采集時對于蘋果的顏色 是 有 一定要求的。從我們的肉眼即可分辨出蘋果的紅色含量要比桔子和香蕉豐富得多，所以蘋果紅顏色的信息量在紅、綠、藍(lán)三種顏色中所占的比例也應(yīng)該是三者中最高的，即 N 紅 ： N 綠 ： N黃 的值也是最大的。pmax=max(p)。 jietu_apple_R= CaiTu(pmin:pmax,qmin:qmax,1)。 pmin=min(p)。 jietu_orange= Biaoqianhua1(pmin:pmax,qmin:qmax)。 % 香蕉 [p,q]=find(Biaoqianhua1==2)。qmax=max(q)。 jietu_banana_B= CaiTu(pmin:pmax,qmin:qmax,3)。 T_banana_R=COUNTS_b1(100:170,:)。 n_banana_G=sum(T_banana_G)。 圖 211 蘋果 R、 G、 B顏色通道圖像及直方圖 數(shù)理與信息工程學(xué)院電子信息工程專業(yè) —— 基于圖像特征和神經(jīng)網(wǎng)絡(luò)的水果自動識別 23 圖 212 桔子 R、 G、 B顏色通道圖像及直方圖 圖 213 香蕉 R、 G、 B顏色通道圖像及直方圖 數(shù)理與信息工程學(xué)院電子信息工程專業(yè) —— 基于圖像特征和神經(jīng)網(wǎng)絡(luò)的水果自動識別 24 3 基于 BP 神經(jīng)網(wǎng)絡(luò)的水果識別 3． 1 神經(jīng)網(wǎng)絡(luò) 基于神經(jīng)網(wǎng)絡(luò)的分類方法是目前應(yīng)用 較廣泛的一種數(shù)據(jù)分類方法。它 是由大量單元 相互連接而成的復(fù)雜網(wǎng)絡(luò)，具有高度的非線性，能夠進(jìn)行復(fù)雜的邏輯操作和非線性關(guān)系實現(xiàn)的系統(tǒng)。根據(jù)處理功能的不同，隱層可以有多層（一般不超過兩層），也可以沒有。 （ 2 ） 網(wǎng) 絡(luò) 創(chuàng) 建 指 令 格 式 ： =newff(PR,[S1 S2…SN],{TF1 TF2…TFN},BTF,BLF,PF) 各 參數(shù)意義： PR 輸入向量的取值范圍 ； Si 第 i 層的神經(jīng)元個數(shù)，總共 N 層 ； Tfi 第 i 層的 傳遞函數(shù)，缺省值 “tansig”； BTF BP 神經(jīng)網(wǎng)絡(luò)函數(shù) 缺省值 “trainlm”； BLF BP 神經(jīng)網(wǎng)絡(luò)權(quán)值和閾值學(xué)習(xí)函數(shù)，缺省值 “l(fā)earngdm”； PF 性能函數(shù)，缺省值 “mse”。logsig39。 （ 3） 網(wǎng)絡(luò) 仿真指令格式： y=sim( ,p) 神經(jīng)網(wǎng)絡(luò) 比較 數(shù)理與信息工程學(xué)院電子信息工程專業(yè) —— 基于圖像特征和神經(jīng)網(wǎng)絡(luò)的水果自動識別 26 對 于 高維 的 多個輸入，可以使用該函數(shù)方便 的得到仿真 結(jié) 果。如，輸出為 [1 0 0]時對應(yīng)顯示的為 1，輸出為 [0 1 0]時對應(yīng)顯示的為 2，輸出為 [0 0 1]時對應(yīng)顯示的為 3。 （ 8） 隱含層的選擇 1989 年， Robert Hecht Nielson 證明了對于任何在閉區(qū)間內(nèi)的一個連續(xù)函數(shù)都可以用含一個隱含層的 BP 網(wǎng)絡(luò)來逼近。事實上，結(jié)點數(shù)太少，可能訓(xùn)練不出來，或者訓(xùn)練出的網(wǎng)絡(luò)不強(qiáng)壯，不能識別以前沒有看到 過 的樣本，容錯性 較 差 ； 但隱含層結(jié)點太多又 會 使學(xué)習(xí)訓(xùn)練時間太長，誤差也不 一定最佳。 BP網(wǎng)絡(luò)的輸 入 、輸出層維數(shù)完全根據(jù)使用要求來設(shè)計，本網(wǎng)絡(luò)的目的是利用網(wǎng)絡(luò)分類的識別功能。 多層 BP 網(wǎng)絡(luò)不僅有輸入、輸出節(jié)點，而且還有一層或多層隱含節(jié)點。當(dāng)梯度為零時，權(quán)值和 閾 值的修正值保持不變 。... ,…,]。... ,…,]。 %選出 15 列作為測試樣本 …… P_random1=[feature_o,feature_b,feature_a]。 m11=[m1,m1,m1,m1,m1,m1,m1,m1,m1,m1]。 m33=[m3,m3,m3,m3,m3,m3,m3,m3,m3,m3]。logsig39。trainrp39。 =init()。 Y_sim_vc=vec2ind(Y_sim) Y_test=sim(,P_test)。 %15 為測試的個數(shù) right=1errors1 %正確率 將采集到的桔子、香蕉和蘋果各自的弧度及顏色數(shù)據(jù)分別作為訓(xùn)練樣本和測試樣本 （前 10 組數(shù)據(jù)為訓(xùn)練樣本；后五組為測試樣本），設(shè)定目標(biāo)輸出分別為 1，數(shù)理與信息工程學(xué)院電子信息工程專業(yè) —— 基于圖像特征和神經(jīng)網(wǎng)絡(luò)的水果自動識別 33 2， 3（ 1 表示桔子； 2表示香蕉； 3表示蘋果） 。 4 總結(jié)和展望 4． 1 總結(jié) 通過這次畢業(yè)設(shè)計，對數(shù)字圖像處 理的相關(guān)知識有了基本的認(rèn)識，對圖像處理中的前沿內(nèi)容 —— 模式識別也有了一定的了解。 在本系統(tǒng)設(shè)計和實現(xiàn)的過程中，在了解并學(xué)習(xí)了前人提出的一些典型算法的基礎(chǔ)上，根據(jù)比較這些算法的結(jié)果分析其優(yōu)劣，采用最佳算法的同時也提出了自數(shù)理與信息工程學(xué)院電子信息工程專業(yè) —— 基于圖像特征和神經(jīng)網(wǎng)絡(luò)的水果自動識別 35 己的方法和改進(jìn)的算法。通過圖像的外觀特征對圖像進(jìn)行分類識別 , 是一種及時便捷、切實有效的方法。 結(jié)束語 在此論文完成之際，謹(jǐn)以此文獻(xiàn)給所有關(guān)心、幫助和支持我的人們。 數(shù)理與信息工程學(xué)院電子信息工程專業(yè) —— 基于圖像特征和神經(jīng)網(wǎng)絡(luò)的水果自動識別 36 參考文獻(xiàn) [1] 羅軍輝，馮平 .Matlab 在圖像處理中的應(yīng)用 [M].北京：機(jī)械工業(yè)出版社， 2020：201237. [2] 黃愛民，安向京，駱力等 . 數(shù)字圖像處理與分析基礎(chǔ) [M]. 北京：中國水利水電出版社，2020. [3] 陳書海，傅錄祥 . 實用數(shù)字圖像處理 [M]. 北京：科學(xué)出版社 , 2020. [4] 蔣宗禮 . 人工神經(jīng)網(wǎng)絡(luò)導(dǎo)論 [M]. 北京：高等教育出版社， 2020. [5] 韓力群 . 人工神經(jīng)網(wǎng)絡(luò)理論、設(shè)計及應(yīng)用 [M]. 北京：化學(xué) 工業(yè)出版社， 2020. [6] 周開利，康耀紅 . 神經(jīng)網(wǎng)絡(luò)模型及其 MATLAB仿真程序設(shè)計 [M]. 北京：清華大學(xué)出版社，2020:6990. 數(shù)理與信息工程學(xué)院電子信息工程專業(yè) —— 基于圖像特征和神經(jīng)網(wǎng)絡(luò)的水果自動識別 37 [7] 聞新，周露 , 李翔，張寶偉， MATLAB神經(jīng)網(wǎng)絡(luò)仿真及應(yīng)用 [M]. 北京：科學(xué)出版社， 2020. [8] 叢爽 . MATLAB 工具箱的神經(jīng)網(wǎng)絡(luò)理論與應(yīng)用 [M]. 北京：中國科學(xué)技術(shù)大學(xué)出版社，2020. [9] 沈庭芝，方子文 . 數(shù)字圖像處理及模式識別 [M]. 北京：北京理工大學(xué)出版社， 1997：217～ 224. [10] 劉榴娣，劉明奇 .黨長民 .實用數(shù)字 圖像處理 [M]. 北京：北京理工大學(xué)出版社 ,1998：280～ 294. [11] 孫家廣，劉強(qiáng) . 計算機(jī)圖形學(xué) [M]. 北京：清華大學(xué)出版社， 1998： 593～ 601. [12] 白菲 .基于機(jī)器視覺的柑橘水果外形識別方法研究 [C].信息與電氣工程學(xué)院， 2020（ 11）： 1631. [13] 李崢 . 基于計算機(jī)視覺的蔬菜顏色檢測系統(tǒng)研究 [J].吉林大學(xué)學(xué)報， 2020（ 06）： 611. [14] Kenh ，數(shù)字圖像處理 [C]. 上海：電子工業(yè)出版社， 2020： 456～ 467. [15] 夏德生 . 現(xiàn)代圖像處理技術(shù) [M]. 南京：東南大學(xué)出版社， 2020： 342～ 351. [16] Stanley ,Josee Lajoie. C++ Primer third Edition[C]. The United Stats：Addison Wesley， 2020： 133～ 142. [17] [M].上海：上海遠(yuǎn)東出版社， 1993. [18] 向光蓉 .基于圖像識別的蘋果分級研究 [J].大連海事大學(xué)學(xué)報， 2020（ 03）： 1441. [19] 樊 亞軍，曲仕茹 .利用 BP神經(jīng)網(wǎng)絡(luò)實現(xiàn)三維飛機(jī)目標(biāo)識別 [J].鄭州大學(xué)學(xué)報， 2020. 。在此謹(jǐn)向張老師表示最衷心的感謝和最崇高的敬意！ 感謝魏晗學(xué)姐在論文完成的整個過程中給予我的無私幫助和支持。隨著計算機(jī)的普及和 各種 圖像處理技術(shù) 的不斷進(jìn) 步， 數(shù)字圖像處理技術(shù)也將成為我們必須掌握的一門技術(shù)。 4． 2 展望 利用農(nóng)作物自身的特征對農(nóng)作物圖像進(jìn)行分類識別是計算機(jī)視覺技術(shù)在農(nóng)業(yè)自動化應(yīng)用中的重要前提條件。對 Matlab 語言在圖像處理中的應(yīng)用有了更進(jìn)一步的認(rèn)識。 3． 4 程序測試與結(jié)果分析 運(yùn)行結(jié)果如下 ： Y_sim_vc = Columns 1 through 10 1 1 1 1 1 1 1 1 1 1 Columns 11 through 20 2 2 2 2 2 2 2 2 2 2 Columns 21 through 30 3 3 3 3 3 3 3 3 3 3 Y_test_sim_vc = 1 1 1 1 1 2 2 2 2 2 3 3 3 3 3 Y_sim_vc_random1 = 1 2 3 Y_sim_vc_random2 = 2 1 3 Y_sim_vc_random3 = 3 2 1 right = 100% BP 網(wǎng)絡(luò)的訓(xùn)練性能曲線如圖 33 所示： 數(shù)理與信息工程學(xué)院電子信息工程專業(yè) —— 基于圖像特征和神經(jīng)網(wǎng)絡(luò)的水果自動識別 34 圖 33 BP網(wǎng)絡(luò)的訓(xùn)練性能曲線 由運(yùn)行結(jié)果可以看出， BP 網(wǎng)絡(luò)已經(jīng)能夠正確識別三種水果各自的特征量并將其準(zhǔn)確的區(qū)分出來（ 1表示桔子； 2 表示香蕉； 3表示蘋果），且正確率為 100%。 Y_test_sim_vc=vec2ind(Y_test_sim) …… errors1 = 0。 %訓(xùn)練網(wǎng)絡(luò) Y=sim(,P_xunlian)。 %應(yīng)用 BP 網(wǎng)絡(luò) =。logsig39。 T_test=[m11(:,1:5),m22(:,1:5),m33(:,1:5)]。 m22=[m2,m2,m2,m2,m2,m2,m2,m2,m2,m2]。 P_random3=[feature_a,feature_b,feature_o]。 P_xunlian=[P(:,1:10),P(:,16:25),P(:,31:40)]。... ,…,]。如果權(quán)值在相同的梯度上連續(xù)被修正，則其幅度必將增加，從而克服了梯度幅度偏導(dǎo)的不利影響，即： Δx(k+l)= Δx (k+1) ?sign(g(k))= Δ x(k) ?kinc?sign(g(k)) (當(dāng)二次迭代的梯度方向相同時 ) Δ x(k) ?kdec?sign(g(k)) (當(dāng)二次迭代的梯度方向相反時 ) Δ x (k) (當(dāng) g(k) =0 時 ) （ 31） 數(shù)理與信息工程學(xué)院電子信息工程專業(yè) —— 基于圖像特征和神經(jīng)網(wǎng)絡(luò)的水果自動識別 28 式（ 31）中， g(k)為第 k次迭代的梯度； Δ x (k)為權(quán)值或 閾 值第 k次迭代幅度的修正值，其初始值 Δ x (0)是用戶設(shè)置的；增量因子 kinc 和減量因子 kdec也是用戶設(shè)置的。當(dāng)連