【文章內容簡介】 13 ? ?? ? ? ?? ? ? ?? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ?? ? ? ? ? ? ? ?1 20 022 22 20 02 11223 30 12 21 03224 30 12 21 032 2 2 25 30 12 30 12 30 12 21 03 21 03 21 03 30 12 21 03226 20 02 30 12 21 03 11 30 12 24333 3 3 34uuu u uu u u uu u u uu u u u u u u u u u u u u u u uu u u u u u u u u u??????? ? ? ?? ? ? ?? ? ? ?????????? ? ?? ? ? ?? ? ? ?? ? ? ? ? ? ? ? ? ? ? ? ? ?? ? ? ? ? ? ? ? ?? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ?1 032 2 2 27 21 03 30 12 30 12 21 03 21 03 21 03 30 12 21 033 3 3 3uu u u u u u u u u u u u u u u u? ? ? ? ?? ? ? ?? ? ? ??? ? ? ? ? ? ? ? ? ? ? ? ? ? （ 37） 4 基于神經(jīng)網(wǎng)絡的樹葉識別 人工神經(jīng)網(wǎng)絡，簡稱 ANN，它 是由很多神經(jīng)元相互連接而組成的一個信息處理系統(tǒng)。人工神經(jīng)網(wǎng)絡的并行結構和交叉處理能力在圖像處理與分析中應用廣泛。其是基于一定學習方法得到的特征參數(shù)與識別種類關系，這種關系是通過網(wǎng)絡連接權得到的網(wǎng)絡輸入和輸出之間的一種非線性映射。常用的人工神經(jīng)網(wǎng)絡包括 RBF 網(wǎng)絡、 BP 網(wǎng)絡、Hopfield 網(wǎng)絡等。 BP 網(wǎng)絡基本 理論 BP 神經(jīng)網(wǎng)絡是一種多層前饋網(wǎng)絡，其結構包括輸入層、隱含層和輸出層，其學習過程是由輸入層特征向量通過非線性變換從輸入層傳達到隱含層，再進行逐層處理，最后傳到輸出層，另外每一層的神經(jīng)元狀態(tài)都會直接影響下一層神經(jīng)元狀態(tài)。當神經(jīng)網(wǎng)絡輸出層的輸出值與其期望值相差較大時，就會轉入反向傳播，然后通過修正各神經(jīng)元間的權值系數(shù)，以及修正網(wǎng)絡參數(shù)，使系統(tǒng)識別誤差降到允許范圍內。 圖 41 三層 BP 網(wǎng)絡結構圖 隱含層數(shù)的選取 隱含層過多，會造成網(wǎng)絡訓 練緩慢，使誤差曲線不穩(wěn)定。一般情況下，取一個隱含層就能完成映射。本文擬采用三層神經(jīng)網(wǎng)絡。 節(jié)點數(shù)的選取 經(jīng)過數(shù)據(jù)降維后的樹葉特征矩陣是由前 6 個主成分表示的，即特征變量為 6 個，所以 BP 網(wǎng)絡輸入層單元數(shù)為 6。本文研究對象是桂花葉、桔子葉、楓樹葉和夾竹桃 4 種 14 植物樹葉，所以輸出層單元數(shù)確定為 2，輸出的排列組合分別代表了 4 種不同的識別種類，對應關系為： 00桂花葉、 01桔子葉、 10楓樹葉、 11夾竹桃。通過不斷調整隱元，觀測實驗結果獲取最佳的隱含層單元數(shù)為 8。 BP 網(wǎng)絡的建立 （ 1）網(wǎng)絡進行初 始化，即隨機設置三層神經(jīng)元的權值； （ 2）給定網(wǎng)絡的輸入向量和目標輸出，即將降維后的數(shù)據(jù)作為 BP 網(wǎng)絡的輸入，同時確定每個樣本對應的實際輸出值； （ 3）計算 BP 網(wǎng)絡隱含層、輸出層各單元的輸出； （ 4）計算實際輸出和相應的理論輸出之間的偏差； （ 5）調整各層神經(jīng)元的權值矩陣； （ 6） 若達不到訓練要求則轉至步 驟 3，重新學習，直到理想值與實際輸出值的偏差滿足訓練精度要求。 樹葉識別 圖像識別是用數(shù)字圖像處理技術與計算機處理技術結合起來，繼而完成人的認識和理解的過程。簡單的說圖像識別是把研究目標 ,根據(jù)其某些 特征進行識別和分類。圖像識別的目的就是設計程序或設備 ,代替人類自動處理圖像信息 ,自動對圖像進行分辨和識別 ,實現(xiàn)較高的圖像識別率。 本文的樹葉圖像識別 分 4 個部 分 ,其框 圖如圖 42 所 示： 圖 42 圖像識別 系統(tǒng)框圖 第一部分是樹葉圖像信息的采集 ,它相當于對被研究對象的調查和了解。從中得到數(shù)據(jù)。第二部分是樹葉圖像預處理，預處理的目的是為了去噪和差異，即將樹葉圖像變換成適合圖像特征提取的形式。第三部分是樹葉圖像特征提取，它的作用是把圖像預處理后的樣本進行選擇某些特征參數(shù) ,并進行分析。當然 ,抽取特征參數(shù)的數(shù)目與采用的判決方法也是有很大的關系。第四部分是神經(jīng)網(wǎng)絡識別 ,即根據(jù)提取的特征參數(shù) ,采用多特征神經(jīng)網(wǎng)絡集成分類器的規(guī)則 ,對圖像信息進行分類和識別 ,從而得到識別結果。 GUI 界面設計 圖形用戶界面 ，簡稱 GUI。它是一種結合各種學科的人機系統(tǒng)工程。目前也有不少公司應用。它提供了很多工具用于仿真及設計，本文擬采用 GUI 界面來仿真基于神經(jīng)網(wǎng)絡的樹葉識別。仿真結果如圖 43,圖 44： 樹葉采 集 樹葉圖像預處理 樹葉圖像特征提取 神經(jīng)網(wǎng)絡識別 結果分 析 15 圖 43 神經(jīng)網(wǎng)絡訓練 圖 44 樹葉識別系統(tǒng)界面 16 結果分析 通過 BP 神經(jīng)網(wǎng)絡進行了四種樹葉的識別，得到比較滿意的結果。但由于所提取的樹葉形態(tài)特征存在差異，也出現(xiàn)了識別錯誤的現(xiàn)象。樹葉識別結果見表 41： 表 41 識 別結果 樣本數(shù) 識別結果 識別錯誤 識別率 桂花葉 20 18 2 90% 桔子葉 20 18 2 90% 楓樹葉 20 20 0 100% 夾竹桃 20 20 0 100% 平均識別率 95% 5 總結與展望 總結 論文的主要 工作 本人廣泛收集和查閱了模式識別、數(shù)字圖像處理和人工神經(jīng)網(wǎng)絡的相關資料和文獻 ,實現(xiàn)了不同目標的識別。論文主要完成了 : （ 1）目標樣本的采集，對樹葉圖像進行預處理，包括裁剪、平滑、分割及邊緣檢測等。 （ 2）對樹葉圖像特征的選擇和提取進行了分析。 （ 3）介紹并建立了神經(jīng)網(wǎng)絡分類器，對樹葉圖像進行了訓練與識別，并且比較了數(shù)據(jù)進行分析，以及識 別結果。 展望論文的不足 論文取得了一些比較滿意的效果 ,但是一些環(huán)節(jié)仍有不足，待進一步研究和完善 : 首先是樣本選擇，神經(jīng)網(wǎng)絡訓練樣本選擇的優(yōu)劣對目標識別性能影響較大。論文采用的目標圖像背景相對比較簡單 ,噪聲小 ,與實際工程要求有一定差距并且樣本的完備性也有所不足。如何建立抗干擾性更強是下一步研究的重點。 其次是現(xiàn)在神經(jīng)網(wǎng)絡模型的確定還沒有成熟的理論依據(jù) ,在理論上如何實現(xiàn)神經(jīng)網(wǎng)絡模型最優(yōu)化是一個難點 ,也是神經(jīng)網(wǎng)絡廣泛應用的瓶頸。 最后是目標特征量的選擇與提取直接影響動態(tài)圖像識別的準確性和實時性，雖然目前有一些理論可依 ,但大多數(shù)情況下容易受主觀因素影響。因此如何選擇與提取目標特征還需進一步研究。 參考文獻 [1] 傅弘，池哲儒，常杰，傅承新 ． 基于人工神經(jīng)網(wǎng)絡的葉脈信息提取 —— 植物活體機器識別研究[J].植物學通報 , 2022, 21(4):429436. [2] 朱靜，田興軍，陳彬，呂勁紫 ． 植物葉形的計算機識別系統(tǒng) [J].植物學通報 , 2022， 22(5)：599604. 17 [3] 劉純利，劉少斌 .基于紋理建模的樹葉識別系統(tǒng) [J].計算機科學， 2022,39（ 11）： 289290. [4] 王代琳 .基 于神經(jīng)網(wǎng)絡的樹葉識別系統(tǒng)研究（英文） [C].東北林業(yè)大學， 2022. [5] 朱寧 .基于 LBP 的樹葉識別系統(tǒng)研究與實現(xiàn) [M].北京林業(yè)大學， 2022(01). [6] 王曉峰，黃德雙，杜吉祥，張國軍 ． 葉片圖像特征提取與識別技術的研究 [J].計算機工程與應用 , 2022, 3:190193. [7] 何術 ． SOM神經(jīng)網(wǎng)絡在樹葉形狀分類中的應用 [J].電腦開發(fā)與應用 ,2022,17(2):2324. [8] 陳涓 .神經(jīng)網(wǎng)絡集成的泛化能力研究及其應用 [G].蘭州理工大學， 2022. [9] 朱曉峰 .基于神經(jīng)網(wǎng) 絡的出版業(yè)統(tǒng)計分析方法研究 [A].北京， 2022. [10] Kohonen Formation Of Topological Maps In Selenizing Systems[M].Proceeding of the 2nd Scandinavian Image Analysis, Finland, 1981, 214. [11] Hopfield J Networks And Physical Systems With Emergent Collective Computerational Abilities[D].USA:.,1982. [12] 王春，劉波 .采用 BP神經(jīng)網(wǎng)絡的車牌字符識別方法研究 [J] .中國測量技術， 2022， 31（ 1）：2627. [13] 李小林 .一種基于邊緣流的圖像分割算法及其應用 [J].閩江學院學報 , 2022, 30(2):6871. [14] 于新文 , 沈佐銳 .昆蟲數(shù)字圖像的分割技術研究 [J].農(nóng)業(yè)工程學報 , 2022, 17(3):137141. [15] 羅 濤華 .基于自適應閾值的儲糧害蟲圖像分割算法 [J].武漢工業(yè)學院學報 , 2022, 25(1):58. [16] 張紅濤 ,邱道尹 .基于相對熵閾值法的儲糧害蟲圖像分割 [J].華北水利水電學院學報 , 2022, 24(3):2729. 致謝 四年的大學生活，讓我獲益良多。不僅學會了更多的專業(yè)知識，也學會了求真務實的工作作風，更重要的是讓我更深刻的懂得了做人的道理。在我人生的這個重要階段中，得到了許多老師和同學、朋友們的熱情幫助和溫暖關懷，我一直心存感激。 首先，我要感謝我的輔導員杜奎寶老師，感謝他的悉心教誨和 無微不至的關懷，教會我很多做事的道理，給予我極大的幫助。同時還要感謝的是我的指導老師呂軍老師，他淵博的學識和對前沿科研問題的敏銳洞察力及先進的思想特別令我仰慕。本文之所以能夠順利完成，和呂老師的幫助是分不開的，值此我表示對導師深深的謝意。 還要感謝各位任課老師和各位同學們，感謝他們在學習和生活上對我的幫助和關心，在四年的學習生活里，彼此相互鼓勵相互支持，建立了深厚的友誼。 還要感謝我的室友們在生活上不斷照顧我，關心我，我們之間建立了純真的友誼。謝謝他們對我的關心和幫助，在我遇到困難時給我鼓勵。感謝的話有很多 ，感謝的人也有很多，我會把這份愛永遠留在心中，并帶著這份愛走過人生的風風雨雨，綻放人生瑰麗的彩虹。 18 您好，為你提供優(yōu)秀的畢業(yè)論文參考資料，請您刪除以下內容， O(∩ _∩ )O 謝謝?。?！ A large group of tea merchants on camels and horses from Northwest China39。s Shaanxi province pass through a stop on the ancient Silk Road, Gansu39。s Zhangye city during their journey to Kazakhstan, May 5, 2022. The caravan, consisting of more than 100 camels, three horsedrawn carriages and four support vehicles, started the trip from Jingyang county in Shaanxi on Sept 19, 2022. It will pass through Gansu province and Xinjiang Uygur autonomous region, and finally arrive in Almaty, formerly known as AlmaAta, the largest city in Kazakhstan, and Dungan in Zhambyl province. The trip will cover about 15,000 kilometers and take the caravan more than one year to plete. The caravan is expected to return to Jingyang in March 2022. Then they will e back, carrying specialty products from Kazakhstan A small art troupe founded six decades ago has grown into a household name in the Inner Mongolia autonomous region. In the 1950s, Ulan Muqir Art Troupe was created by nine young musicians