【導讀】本文基于Matlab識別一幅數(shù)字水果圖像中的香蕉、蘋果和桔子。神經(jīng)網(wǎng)絡、BP算法等過程。為了彌補由于原始圖像中灰度分布不均勻和光照等因素。算子進行邊緣提取以接合斷邊，基于數(shù)學形態(tài)學算子填充二值化圖像中出現(xiàn)的孔洞。處理技術(shù)也愈來愈成為科學技術(shù)領域中必不可少的手段。近年來，計算機圖像處理及識別的研究在我國受到了廣泛的重視，取得了卓。有成效的進展，逐步邁向?qū)嵱秒A段。我國是農(nóng)業(yè)大國，因此，要特別重視農(nóng)業(yè)的。信息，解決人類生理器官所不能識別的問題，從而部分地替代人的腦力勞動。

　　

【正文】 致權(quán)值和 閾 值的修正量也很小，這樣就使訓練的時間變得很長。 多層 BP 網(wǎng)絡不僅有輸入、輸出節(jié)點，而且還有一層或多層隱含節(jié)點。本系統(tǒng)采用三層 BP 神經(jīng)網(wǎng)絡，即網(wǎng)絡由輸入層、隱含層和輸出層組成，網(wǎng)絡結(jié)構(gòu)如圖 32所示： 圖 32 三層 BP神經(jīng)網(wǎng)絡結(jié)構(gòu) 圖 彈性 BP算法的目的是消除梯度幅度的不利影響，所以在進行權(quán)值的修正時，僅僅用到偏導的符號，而其幅值卻不影響權(quán)值的修正，權(quán)值大小的改變?nèi)Q于與幅值無關(guān)的修正值。當連續(xù)二次迭代的梯度方向相同時，可將權(quán)值和 閾 值的修正值乘以一個增量因子，使其修正值增加 。當連續(xù)二次迭代的梯度方向相反時，可將權(quán)值和 閾 值的修正值乘以一個減量因子，使其修正值減小 。當梯度為零時，權(quán)值和 閾 值的修正值保持不變 。當權(quán)值的修正發(fā)生振蕩時，其修正值將會減小。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的不利影響，即： Δx(k+l)= Δx (k+1) ?sign(g(k))= Δ x(k) ?kinc?sign(g(k)) (當二次迭代的梯度方向相同時 ) Δ x(k) ?kdec?sign(g(k)) (當二次迭代的梯度方向相反時 ) Δ x (k) (當 g(k) =0 時 ) （ 31） 數(shù)理與信息工程學院電子信息工程專業(yè) —— 基于圖像特征和神經(jīng)網(wǎng)絡的水果自動識別 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)是用戶設置的；增量因子 kinc 和減量因子 kdec也是用戶設置的。 建立水果特征數(shù)據(jù)庫所用到的圖片： （ 1） 用于訓練的圖片（ 38 張） 數(shù)理與信息工程學院電子信息工程專業(yè) —— 基于圖像特征和神經(jīng)網(wǎng)絡的水果自動識別 29 數(shù)理與信息工程學院電子信息工程專業(yè) —— 基于圖像特征和神經(jīng)網(wǎng)絡的水果自動識別 30 （ 2） 用于測試的圖片（ 10 張） 數(shù)理與信息工程學院電子信息工程專業(yè) —— 基于圖像特征和神經(jīng)網(wǎng)絡的水果自動識別 31 采集數(shù)據(jù)及主要程序如下： x_orange=().*[,…, ,。... ,…,]。 x_banana=().*[,…,。... ,…,]。 x_apple =().*[,…,。... ,…,]。 %各為 2 行 38 列的矩陣 P=[x_orange,x_banana,x_apple]./()。 P_xunlian=[P(:,1:10),P(:,16:25),P(:,31:40)]。 %選出 30 列作為訓練樣本 數(shù)理與信息工程學院電子信息工程專業(yè) —— 基于圖像特征和神經(jīng)網(wǎng)絡的水果自動識別 32 P_test=[P(:,11:15),P(:,26:30),P(:,41:45)]。 %選出 15 列作為測試樣本 …… P_random1=[feature_o,feature_b,feature_a]。 P_random2=[feature_b,feature_o,feature_a]。 P_random3=[feature_a,feature_b,feature_o]。 m1=[1 0 0]39。 m11=[m1,m1,m1,m1,m1,m1,m1,m1,m1,m1]。 m2=[0 1 0]39。 m22=[m2,m2,m2,m2,m2,m2,m2,m2,m2,m2]。 m3=[0 0 1]39。 m33=[m3,m3,m3,m3,m3,m3,m3,m3,m3,m3]。 T_xunlian=[m11,m22,m33]。 T_test=[m11(:,1:5),m22(:,1:5),m33(:,1:5)]。 =newff(minmax(P_xunlian),[19 3],{39。logsig39。 39。logsig39。},39。trainrp39。)。 %應用 BP 網(wǎng)絡 =。 =5000。 =init()。 %初始化網(wǎng)絡 =train(,P_xunlian,T_xunlian)。 %訓練網(wǎng)絡 Y=sim(,P_xunlian)。 Y_sim = pet(Y)。 Y_sim_vc=vec2ind(Y_sim) Y_test=sim(,P_test)。 Y_test_sim = pet(Y_test)。 Y_test_sim_vc=vec2ind(Y_test_sim) …… errors1 = 0。 errors1 = errors1 + sum(sum(abs(Y_test_simT_test)))/2/15。 %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)分別作為訓練樣本和測試樣本 （前 10 組數(shù)據(jù)為訓練樣本；后五組為測試樣本），設定目標輸出分別為 1，數(shù)理與信息工程學院電子信息工程專業(yè) —— 基于圖像特征和神經(jīng)網(wǎng)絡的水果自動識別 33 2， 3（ 1 表示桔子； 2表示香蕉； 3表示蘋果） 。經(jīng)過對 BP網(wǎng)絡的初始化、訓練、仿真、競爭、轉(zhuǎn)換等操作，最終實現(xiàn)其對特征數(shù)據(jù)的識別，從而達到能夠自動識別水果的目的。 3． 4 程序測試與結(jié)果分析 運行結(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)絡的訓練性能曲線如圖 33 所示： 數(shù)理與信息工程學院電子信息工程專業(yè) —— 基于圖像特征和神經(jīng)網(wǎng)絡的水果自動識別 34 圖 33 BP網(wǎng)絡的訓練性能曲線 由運行結(jié)果可以看出， BP 網(wǎng)絡已經(jīng)能夠正確識別三種水果各自的特征量并將其準確的區(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%?？梢姡麛?shù)據(jù)庫建立成功， BP 網(wǎng)絡的訓練也達到了比較準確的程度，基本上完成了本次課題的任務。 4 總結(jié)和展望 4． 1 總結(jié) 通過這次畢業(yè)設計，對數(shù)字圖像處 理的相關(guān)知識有了基本的認識，對圖像處理中的前沿內(nèi)容 —— 模式識別也有了一定的了解。在設計本系統(tǒng)的過程中，對于數(shù)字圖像處理中的一些常用的處理方法，如去噪銳化、閾值分割、區(qū)域劃分、數(shù)學形態(tài)學、邊緣檢測等也有了較為清晰的掌握。對 Matlab 語言在圖像處理中的應用有了更進一步的認識。對于神經(jīng)網(wǎng)絡以及 BP 算法在模式識別、特征分類中的作用也有了初步的了解。 在本系統(tǒng)設計和實現(xiàn)的過程中，在了解并學習了前人提出的一些典型算法的基礎上，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)理與信息工程學院電子信息工程專業(yè) —— 基于圖像特征和神經(jīng)網(wǎng)絡的水果自動識別 35 己的方法和改進的算法。在系統(tǒng)的 編寫過程中，首先對傳統(tǒng)的圖像處理方法進行了分析和研究，在去噪，銳化，二值化，標簽化及神經(jīng)網(wǎng)絡訓練識別的系統(tǒng)實現(xiàn)上，綜合運用了圖像處理和人工神經(jīng)網(wǎng)絡技術(shù)。 4． 2 展望 利用農(nóng)作物自身的特征對農(nóng)作物圖像進行分類識別是計算機視覺技術(shù)在農(nóng)業(yè)自動化應用中的重要前提條件。近年來 , 隨著計算機視覺技術(shù)的發(fā)展 ,圖像分類識別在各行各業(yè)的應用愈加廣泛。通過圖像的外觀特征對圖像進行分類識別 , 是一種及時便捷、切實有效的方法。 計算機視覺技術(shù)在現(xiàn)實生活中具有重要的理論價值和應用價值。隨著計算機的普及和 各種 圖像處理技術(shù) 的不斷進 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)。 本課題的研究具有非常重要的經(jīng)濟和實用價值， 其中基于數(shù)字圖像處理的自動目標識別是一個非?；钴S的應用領域，其應用前景十分廣闊。 結(jié)束語 在此論文完成之際，謹以此文獻給所有關(guān)心、幫助和支持我的人們。 本文的工作自始至終都得到了導師張長江老師熱情、耐心、細致的指導，令我受益匪淺。在此謹向張老師表示最衷心的感謝和最崇高的敬意！ 感謝魏晗學姐在論文完成的整個過程中給予我的無私幫助和支持。感謝研究此項課題的前輩們，只有在他們工作的基礎上才能完成我今天的論 文。 數(shù)理與信息工程學院電子信息工程專業(yè) —— 基于圖像特征和神經(jīng)網(wǎng)絡的水果自動識別 36 參考文獻 [1] 羅軍輝，馮平 .Matlab 在圖像處理中的應用 [M].北京：機械工業(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 [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：科學出版社 , 2020. [4] 蔣宗禮 . 人工神經(jīng)網(wǎng)絡導論 [M]. 北京：高等教育出版社， 2020. [5] 韓力群 . 人工神經(jīng)網(wǎng)絡理論、設計及應用 [M]. 北京：化學 工業(yè)出版社， 2020. [6] 周開利，康耀紅 . 神經(jīng)網(wǎng)絡模型及其 MATLAB仿真程序設計 [M]. 北京：清華大學出版社，2020:6990. 數(shù)理與信息工程學院電子信息工程專業(yè) —— 基于圖像特征和神經(jīng)網(wǎng)絡的水果自動識別 37 [7] 聞新，周露 , 李翔，張寶偉， MATLAB神經(jīng)網(wǎng)絡仿真及應用 [M]. 北京：科學出版社， 2020. [8] 叢爽 . MATLAB 工具箱的神經(jīng)網(wǎng)絡理論與應用 [M]. 北京：中國科學技術(shù)大學出版社，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：北京理工大學出版社 ,1998：280～ 294. [11] 孫家廣，劉強 . 計算機圖形學 [M]. 北京：清華大學出版社， 1998： 593～ 601. [12] 白菲 .基于機器視覺的柑橘水果外形識別方法研究 [C].信息與電氣工程學院， 2020（ 11）： 1631. [13] 李崢 . 基于計算機視覺的蔬菜顏色檢測系統(tǒng)研究 [J].吉林大學學報， 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].大連海事大學學報， 2020（ 03）： 1441. [19] 樊 亞軍，曲仕茹 .利用 BP神經(jīng)網(wǎng)絡實現(xiàn)三維飛機目標識別 [J].鄭州大學學報， 2020.