基于RBF的GMDH型神經(jīng)網(wǎng)絡(luò)構(gòu)成的棉花異質(zhì)纖維圖像識(shí)別及定位算法的研究.pdf

1、在紡紗過(guò)程中，傳統(tǒng)的人工分揀棉花異質(zhì)纖維方法難度大、成本高并且效率低，大大降低了棉紡企業(yè)的競(jìng)爭(zhēng)力。雖然目前國(guó)內(nèi)外采用機(jī)器視覺(jué)代替人工分揀的方法很多，但是普遍存在著定位精度差、成本高、通用性差、使用環(huán)境要求高和多領(lǐng)域應(yīng)用難以實(shí)施等問(wèn)題。隨著數(shù)字圖像處理技術(shù)的迅速發(fā)展、光電子技術(shù)的應(yīng)用日益廣泛和機(jī)器視覺(jué)的日趨成熟，實(shí)現(xiàn)異質(zhì)纖維的精確識(shí)別和定位是完全可行的。
　　本文采用數(shù)字圖像處理技術(shù)，設(shè)計(jì)和實(shí)現(xiàn)了基于RBF的GMDH型神經(jīng)網(wǎng)絡(luò)的棉花

2、異質(zhì)纖維精確識(shí)別和定位系統(tǒng)。系統(tǒng)包括5個(gè)模塊:采集模塊、圖像預(yù)處理模塊、特征提取模塊、識(shí)別模塊和定位模塊。本文主要的研究?jī)?nèi)容和創(chuàng)新點(diǎn)如下:
　　(1)基于Otsu和局部閾值的改進(jìn)閾值分割方法。本文在Otsu和局部閾值的基礎(chǔ)上，通過(guò)將原圖像每個(gè)像素點(diǎn)分別與其3×3鄰域像素的簡(jiǎn)單平均（或高斯加權(quán)平均值）和Otsu獲得的閾值進(jìn)行比較，并通過(guò)反復(fù)實(shí)驗(yàn)，設(shè)置誤差范圍為5個(gè)像素，從而確定該像素點(diǎn)是背景還是雜質(zhì)，實(shí)現(xiàn)了棉花雜質(zhì)的有效分割。

3、>　　(2)基于窗口的定位方法。棉花雜質(zhì)的形狀是非規(guī)則的，目前尚沒(méi)有可靠的方法來(lái)精確定位非規(guī)則物體。本文提出了基于窗口的定位方法。通過(guò)將整幅棉花圖像劃分成眾多等大小的小窗口，將雜質(zhì)所在的位置轉(zhuǎn)化為其所在的一系列小窗口的二維坐標(biāo)，從而實(shí)現(xiàn)了棉花雜質(zhì)的精確定位。該方法簡(jiǎn)單，定位精度高，并且便于存儲(chǔ)。
　　(3)改進(jìn)了灰度共生矩陣提取方法。灰度共生矩陣的提取與方向的選定有很強(qiáng)的關(guān)系。由于棉花雜質(zhì)在圖像中的位置是隨機(jī)的，因此很難通過(guò)選定一

4、個(gè)方向來(lái)提取灰度共生矩陣。本文通過(guò)取0°、90°、45°和135°四個(gè)方向上的灰度共生矩陣之和，然后對(duì)其歸一化，作為圖像的灰度共生矩陣，實(shí)現(xiàn)了棉花圖像紋理特征的提取。
　　(4)基于GMDH聚類的改進(jìn)RBF神經(jīng)網(wǎng)絡(luò)。RBF神經(jīng)網(wǎng)絡(luò)具有結(jié)構(gòu)簡(jiǎn)單、學(xué)習(xí)速度快、能夠逼近任意非線性函數(shù)的優(yōu)點(diǎn)，然而，目前尚沒(méi)有可靠的理論確定RBF網(wǎng)絡(luò)的基函數(shù)中心。GMDH聚類能夠自動(dòng)確定最優(yōu)聚類個(gè)數(shù)。本文將GMDH聚類用于RBF神經(jīng)網(wǎng)絡(luò)，用以自動(dòng)確定最佳隱