基于matlab的 BP 神经网络的水果识别研究

【水果蔬菜识别】基于matlab GUI形态学水果蔬菜识别【含Matlab源码 919期】 形态学水果蔬菜识别 完整的代码,方可运行;可提供运行操作视频!适合小白! 阅读详情

基于 BP 神经网络的水果识别研究

摘 要: 本文介绍了一种基于 BP 神经网络的水果识别方法。  随着模式识别技术不断的发展,图像识别作为最具代表性的应用,受到了众多学者的关注,尤其是在图像快速识别方面。  为了解决传统水果图像分类识别算法人工提取特征的缺陷,将经过训练的 BP 神经网络应用在水果的识别中。 本实验使用数字图像处理的方法,首先对采集到的图像进行预处理,并针对多种水果混合的图像进行提取和识别。 实验表明,基于 BP 神经网络的水果识别方法能够获得很高的识别率,能够有效地将同一幅图像中的不同水果识别出来。

关键词: 水果识别; 图像处理; BP 神经网络; MATLAB

0 引 言

在中国,通常采用人工方式进行水果分级,而人工分级往往效率低、劳动量大、有较大的人工误差等,难以实现标准分级[1] 。 并且人工识别具有诸多的不稳定因素。 因此,研究和开发水果自动实时分级系统,对经济、农业的发展具有广阔的应用前景。从 80 年代开始,国内外有许多学者研究水果分级的自动识别算法,近年来也出现了一些基于水果识别的算法,如郑小东等人[2] 根据区域特征进行水果的自动识别。 项辉宇等人实现了对苹果大小、缺陷以及颜色特征的检测。 程荣花等人[3] 对水果图像的主成分分析, 从而对其进行识别预测。 王水平等人[4] 利用 SVM 分类器,对水果进行分类预测。 这些方法虽然在水果识别中取得了一定效果,但对于同副图像中的多种水果识别还有欠缺。 针对这一问题,本文基于 BP 神经网络对水果图像进行识别。首先,根据水果的不同特征,对图像进行预处理;然

后,通过标签化处理将图像中各个连接成分进行分离,从而实现对水果特性的研究,再提取出不同水果的颜色、边界不规则、形状等基本特征,对得到的水果图像特征参数进行计算;最后,使用多幅图像训练

BP 神经网络,并完善水果特征库,以达到快速识别水果的目的。

1 数字图像处理

首先,本文对不同水果图片进行数字图像处理。目的是为了提高图片的质量,得到理想的图像效果。图像处理的方法有:图像变化、图像编码压缩、图像增强和复原、分割、描述等。 本文采用图像识别方法的主要步骤为:首先,预处理图像;然后,对预处理的图像进行分割和特征提取;最后,对图像进行判断分类。 图像分类多数情况采用传统的识别模式。 传统识别模式分为 2 大类:统计模式分类和结构模式分类。 近几年研究中,模糊模式识别、人工神经网络模式识别,这2 种新兴的图像识别方法颇受学术界的

本文图像预处理分为图像去噪、图像增强和图像二值化 3 个步骤。 本文采用中值滤波法对图像去噪,中值滤波法是一种去噪声的非线性平滑处理办

维矩阵分别表示各个像素的 3 种颜色分量,R、G、B

3 个分量分别表示每一个像素的颜色,图像的行列数由 M、N 表示。

法。 本文采用反锐化掩模法[5] 对图像增强,该方法是一种常用的图像锐化方法,先模糊处理图像,再与原图进行差值运算,再乘上一个修正因子,最后得到轮廓增强的图像。 该算法表达式如下:

g( x,y) = f( x,y)  +  C[ f( x,y)  -  ( f'( x,y)]. (1)

二值化是将图像呈现为黑白的对比效果的过程,该方法将图像像素的灰度值设为“ 0” 或“ 255”。图像阈值分割法是应用较普遍的图像分割技术,利用了图像的背景与对象之间的灰度差异。    本文采用

阈值分割法对图像进行二值化,从而得到效果更好

B

蓝(Blue)

黑(Black)

青(cyan)

品红

(Magenta)

G

绿(green)

红(red)

图 1 RGB 色彩空间

Fig. 1    RGB color space

白(white)

黄(yellow R

的二值化水果图像。

2 水果图像特征提取

数字图像处理后, 水果和背景被明显的分开。下一步,需要对每种水果进行特征提取。 具有代表性的水果特征有:纹理、形状、颜色[6] 等。 计算机视觉技术主要通过从图像或者视频中提取出的物体特征,经对比区别出不同物体。 在农业领域中应用的水果自动分类识别系统,也是通过提取所拍摄的水果图像中的特征参数,并以此为依据进行训练得到识别模型从而达到分类识别的目的。

2.1 图像颜色模型

水果的颜色特征在图像方向、尺寸等特征发生改变时无明显变化,因此,在图像识别中常用到颜色特征。 颜色模型是用作精确标定且生成多种颜色的一种方法。 对于显示设备来说,可以用红色、绿色、蓝色发光量来描述 RGB。 RGB 又叫相加混色模型, 其在实际生活中主要用于光照、显示器等中。

(1) 颜色特征,包括彩色和灰度信息处理;对于彩色信息处理,主要采用几种常见的色彩空间;而对于灰度信息处理,主要采用直方图技术。

(2) 红绿蓝 3 色光按不同比例和强度混合可以用其表示近乎所有自然界的可见光,其颜色模型称之为 RGB 色彩空间模型[7] ,如图 1 所示为 RGB 色彩空间模型。 红绿蓝 3 色位于彩色立方体的 3 个顶角,其产生的点汇聚在彩色立方体的对角线上,即灰色线。 在使用 RGB 模型时,由于任一基本色上无亮度,所有 RGB 颜色显示黑色。 当 3 基色变为最高的高度,空间即会显现出白色。 其余较低高度但等量的 3 种基色就显示灰色。 RGB 图像每一个像素的

2.2 图像形状特征

图像的形状特征是指将图像经过边缘提取和图像分割,从而得到目标的形状。 形状的描述方法一般分为轮廓法和区域法 2 类。 本文采用轮廓法。 并对其结果进行美化,以达到更准确的识别。 图像的形状特征主要包括周长和形状参数。

(1) 周长为整个边界的长度。 周长通过计算物体边界上相邻像素的中心距的累加而得出。 通常, 面对倾斜方向,数据会产生一些误差,所以要用 2 倍的原有像素数进行计算修改。

(2) 物体的其中一个重要特征量是弧度, 弧度是用于计算物体形状复杂程度的参数。 将弧度进行比较,识别出不同的水果。 在数字图像中,可以通过物体所占有的像素点数来计算面积。

本文首先使用面积、周长、弧度等参数表示水果,再使用 RGB 颜色模式对不同的水果图像进行特征提取,产生 3 幅不同通道的直方图。 通过直方图显示出的结果,提取不同水果中特有的特征,以达到 识别水果的目的。

3 BP 神经网络

BP 神经网络在上世纪八十年代年被首次提出[8] 。 BP 神经网络是一种有效的神经学习方法, 是在误差反传算法的基础上产成的,并引入了反向传播原理,破传统网络结构,解决了非线性问题,是目前普遍应用的神经网络模型。

BP 神经网络通常由 3 个层次构成,分别是输入层、中间层、输出层[9] 。 由传递函数将各层连接,通过特定的学习算法来训练网络、调节权重,使输出不断接近预期值。 输入层接受来自外部的输入信息,

其中间层( 可为单隐层或隐层) 需要进行信息处理,各神经元上的信息经由最后一个隐层传送到输出层,处理完成的结果再通过输出层向外界发送。

BP 网络的结构如图 2 所示。

图 2    BP 网络结构图

Fig. 2    BP network structure

BP 网络具有非常强大的非线性映射能力, 因

vjt 分别为输入层到隐层的连接权和中间层到输出层的连接权;

(3) 选取下一个输入模式再返回到( 2) 中反复训练直到输出误差达到要求为止。

在 BP 网络的结构中, 输入层与输出层之间含有多层神经元( 其模拟人类大脑神经元拥有的基本功能:加权、求和、传递), 这些神经元被称为隐单元,隐单元与外界没有直接的联系, 但其状态的改变,会影响输入与输出之间的关系,每一层可以有无数个这样的节点。

4 实验及结果分析

4.1 实验框架

本文的水果识别框架是根据不同水果特征,把需要的水果从中识别出来,其总体框架如图 4 所示。

此,能够学习和大量关于存储输入与输出之间的映射关系。 3 层 BP 神经网络可以在不描述函数映射关系的情况下逼近任意非线性函数。 如图 3 示出了

BP 网络的向量图。

原始水果图像

水果识别

图像预处理

BP神经网络

图 4 总体框架图

图像标签化

水果特征提取

输入层 隐层 输出层

Fig. 4    General framework

p    LW1,1

a1

LW2,1 a2

本文实验的具体步骤如下:

2?1

4?2

4?1

3?4

2 3?1

(1) 输入水果图像;

n1

4?1

n

3?1

(2) 图像预处理;

1 b1 2 4?1

1 b2

4 3?1 3

(3) 图像标签化处理和图像特征参数计算, 把每个区域都分开,根据提取的图像特征,将水果进行

a1=tansig(TW1,1p+b1)  a2=purelin(LW2,1a1+b2)

图 3   BP 网络的向量图

Fig. 3    Vector diagram

BP 神经网络采用梯度下降算法,这种算法适用

区分;

(4) 建立水果特征库,把采集的特征数据用 BP

网络进行训练,区分同一图片中的不同水果;

(5) 完成水果的识别。

于非线性多层网络梯度的计算。 BP 神经网络算法的基本思路是:由前向神经网络实现正向传播,由递归神经网络( 反馈神经网络) 实现误差反向传播。这 2 个进程交替完成,在权向量空间执行误差梯度下降算法,从而使误差降到最低。    其具体步骤如下:

(1) 初始化,给各连接权 [ u],[ q] 和阈值 θi , ri

各赋一个随机数;

(2) 由给定的计算方法,算出第一、第二层中各单元的输入和输出值。

算法如下:

bj  = f( wij ai  - θj ), (2)

ct  = f( vjt bj  - rt ). (3)

其中, bj  表示中间层第 j 个神经元最终输出结果; ct 为输出层第 t 个神经元的最终输出结果; wij ,

4.2 实验结果与分析

本文实验环境中计算机系统为 Windows10, 处理器为 Intel 酷睿 i53210M,主频为 2.5  GHz,内存为 4 GB, 显存为 1 G, 硬盘是 500 GB, 实验是基于MATLAB 开发工具。 本文主要以苹果、橙子、香蕉为例。 图 5 示出了水果图像处理结果图,依次为原始图像、边缘检测图像、OR 运算分割图像和彩色标签化图像。 从图中可以看出,通过一系列的图像处理可以将不同区域的像素分开,从而利于后续对图像特征的提取和图像特征参数的计算。

表 1 为橙子、香蕉和苹果的特征参数数据表,从

中可以看出,与其它 2 种水果相比,香蕉的特征最为明显,周长最大、弧度最小,根据该特征能够把香蕉从水果中分离出来。

19

( b

  1. OR运算分割图像 (d)彩色标签化图像

    1. TheimageofOR operationdivide
    2. Theimageofcolor labeling

图 5 水果图像处理结果Fig. 5    General frame diagram表 1 不同水果特征参数数据表

Tab. 1    Data table of characteristic parameters of different fruits

橙子 香蕉 苹果

面积 3 278 11

周长 3 227 11

弧度 4.188 8 0.067 8 1.142 4

  颜色 1.220 0 0.760 5 1.601 0

图 6 所示为 3 种水果的 RGB 通道图及其直方图,由图可知,与其它 2 种水果对比,苹果的 R 通道直方图中其固定区域内的像素数量( 200-300) 与 G 通道和 B 通道像 素 和 的 比 值 为 3 水 果 中 最大的,可得到苹果的比值最大,可知苹果的红色信息量最多。

( a) 香蕉颜色通道图及直方图

( a)  Banana RGB color channel chart and histogram

( c)  苹果 RBG 颜色通道图及直方图

( c)  Apple RGB color channel chart and histogram

图 6 不同水果 RGB 颜色通道图及直方图

Fig. 6    Different fruit RGB color channel chart and histogram

图 7 为本文 BP 网络的训练性能,横坐标代表训练次数,纵坐标代表均方误差,该误差值越小,说明实验结果与原图之间差异程度越低。 从图中可以看出本文的 BP 网络经过 10 次训练,其均方误差为0.7×10-3 , 识别准确度较高, 可以直接进行水果识别。

BestTrainingPerformanceis0.00022057atepoch1

0 2 4 6 8 10

10Epochs

图 7 BP 网络的训练性能

Fig. 7    The training performance of BP network

图 8 为本文设计的神经网络及其运行结果。 测试结果表明,通过对不同测试样本的训练,对苹果的 识别近乎完全正确,橙子和香蕉的识别率均为 97%, 这个结果进而证实了采用特征提取和 BP 神经网络识别水果的有效性。 通过神经网络的不断训练,后期对图像的识别更加准确。 就像人的大脑一样,对图像的特征不断进行记忆,使识别更加智能化。

图 8 本文设计的神经网络及运行结果

Fig. 8    The neural network and its operation results of this paper

BP 神经的优点:高效、智能。 如果要更加准确,需要加入更多的特征,在颜色的准确性上需要改进。 因为水果很多颜色较为相像,且需要更大的数据库。 从实验结果中可以看出,BP 神经网络的图像识

别系统的自适应能力较强,且识别率也较高,是一种高效的检测方法。

( 上接第 186 页)

[ 6]  RAMOS - MERINO  M,  SANTOS - GAGO  J  M,  ÁLVAREZ -

SABUCEDO L M,et  al.  BPMN- E  :  A  BPMN  extension  for  an enhanced   workflow   description  [ J ].    Software   and   Systems Modeling,2018:1-21.

[ 7]  RAMOS-MERINO M, ÁLAVREZ-SABUCEDO L M, SANTOS

-GAGO J M, et al. A BPMN based notation for the representation of  workflows   in   hospital   protocols  [ J ].   Journal   of   Medical

5 结束语

本文采用数字图像处理的方法,对原始水果图像进行预处理并对 RGB 图像进行数据分析。 通过对 BP 神经网络架构设计构建了基于 MATLAB 的水果图像识别系统。 通过实验对比,本文算法误差较小、实时性较好、正确率高,能够实现对水果特征数据的准确识别。 但是,本文提出的算法也存在不足, 由于水果种类繁多,重点选取的香蕉、苹果等比较有特点的水果,所以实验结果较理想,若参杂其它水果种类,如青苹果、火龙果等,则需要对算法进行改进。

参考文献

[ 1] 曾平平,李林升. 基于卷积神经网络的水果图像分类识别研究

[ J].  机械设计与研究,2019,35( 1):23-26,34.

王水平,唐振民, 范春年, 等. 基于 SVM 的水果分类算法研究

[ J].  武汉理工大学学报,2010,32( 16):44-47.

程荣花,马飞,梁亚红. 形状相似水果自动化识别研究[ J]. 山东农业科学,2015,47( 8):116-118.

郑小东,王晓洁,李印清. 自然环境下果实的自动识别技术[ J].

计算机应用与软件,2006( 11):96-97,100.

项辉宇,薛真,冷崇杰,等.  基于 Halcon 的苹果品质视觉检测试验研究[ J].  食品与机械,2016,32( 10):123-126.

沈磊,苏建忠,郭肇敏,等. 基于反锐化掩模技术的红外图像增强算法设计[ J].  南开大学学报( 自然科学版),2019( 1):29-35.

[ 7]  贺询. 水果识别中图像特征综述[J]. 河南科技,2017(21):34-35.

[ 8]  Huang Z, Zhu Q. Detection of Red Region of Fuji Apple Based on RGB Color  Model [ J].  Laser  & Optoelectronics  Progress,  2016, 53( 4): 041001.

文周,林伟健. 基于 BP 神经网络的水果气调包装机械故障诊断方法[ J].  包装与食品机械,2018,36( 5):69-72.

模[ J].  上海理工大学学报,2017,39( 3):262-268,294.

[ 14 ]  The   Open   Group.   TOGAF   Version   9. 1 [ S ].   Zaltbommel, Netherlands: Van Haren Publishing,2011.

朱刚, 谭贤四, 王红, 等. 军事体系结构框架元模型发展趋势

[ J].飞航导弹,2014( 6):62-67.

陈禹六.  IDEF 建模分析和设计方法 [ M]. 北京: 清华大学出版社,2000.

Systems, 2018,42:181.

YOUSFI  A,  HEWELT  M,  BAUER  C,  et  al.  Toward  uBPMN -

[ 17] 孙玉全, 高展, 薛劲松. CIMS 设计过程中存在的一些问题及解决方案[ J].  计算机集成制造系统-CIMS,1999,5( 6):55-61.

based patterns for modeling ubiquitous business processes[ J]. IEEE Transactions On Industrial Informatics,2018,8(14):3358-3367.

刘允, 杨立军, 罗先辉. 翻转课堂和传统课堂教学模式比较研究—基于南京某高校翻转课堂教学调查[ J]. 高等教育研究学报,2018,41( 1): 50-55,104.

章宗标. 基于翻转课堂的实验教学系统设计与实现[ J]. 浙江树人大学学报 自然科学版

MENZEL C   MAYER R J . The IDEF family of languages  M   / / BERNUS   P      MERTINS    K      SCHMIDT    G.   Handbook    on

architectures  of  information  systems.  international  handbooks  on information systems. Berlin / Heidelberg:Springer, 1998:209-241.

代飞, 赵文卓, 杨云, 等. BPMN 2. 0 编排的形式语义和分析

[ J].  软件学报,2018,29( 4):1094-1114.

倪枫, 钟璐, 王波. 基于 ROAD 元架构的企业系统业务架构建

[ 18] 倪曌, 白利芳, 董奥冬. 一种面向业务规则和流程的推理引擎架构 计算机应用与软件

PAUL   D.   Complex   event   processing     CORDYS   simplifying business    D   .  Nijmegen   Radboud University          .

WILSON N B   CARMENZA L A. Agile methodology to develop architecture    of    information    and    knowledge    in    organizations

( MADAIKE)[ J].  International Journal of  Machine  Learning  and Computing,2015,5( 2): 153-159.

GILL  A  Q.  Agile  enterprise  architecture  modeling:Evaluating  the applicability  and   integration   of   six   modeling   standards  [ J ]. Information and Software Technology,2015,67:196-206.

王计斌,   熊光楞,   陈加栋.    支持并行迭代的基于规则的产品开发过程建模[ J]. 清华大学学报( 自然科学版),1999,39 ( 11): 114-117.

毕设题目:Matlab水果识别分级 毕设题目:Matlab水果识别分级 完整代码,方可直接运行,适合小白!可提供运行操作视频! 阅读详情

相关推荐

水果识别系统 | BP神经网络水果识别系统,含GUI界面(Matlab)

水果识别系统 | BP神经网络水果识别系统,含GUI界面(Matlab)

机器学习之心的博客,关注并私信文章链接,获取对应文章源码和数据。 1120

matlab图像处理------水果识别

方法:提取每一个水果的特征,通过特征进行识别。 例如:每一个水果的面积,弧度、像素等 通过特征提取并识别也是一般的模式识别的通用方法。

slj821的博客 1万+

基于FFT的阵列方向图快速计算公式推导

因为自己毕设涉及到阵列方向图综合相关知识,最近阅读了关于方向图综合的相关文献,就其中关于使用FFT计算阵列方向图的方法进行了公式推导。 简介: 自从1965年Colley-Tukey发表快速傅里叶变换[1]论文以来,FFT在许多科学技术领域获得了广泛和成功的应用。在阵列信号处理与雷达信号处理领域,随着科技的发展,对于电尺寸较大的相控阵天线,使用公式按照级数求和计算天线阵列方向图的方法效率甚低,...

qq_38151438的博客 4295

图像处理实践 | 水果图像的识别与分类

水果图像的识别与分类 1 数据获取与数据集介绍 数据来源:公开水果数据集fruit-360,包含几十种水果的彩色图片,图片格式为100*100像素,训练集中,每种水果都有上百张各种角度拍摄的照片。可以通过对图像的预处理、特征提取,并构建分类器对于水果照片进行分类。 数据集可从Github上下载:https://github.com/Horea94/Fruit-Images-Dataset 2 预处...

Tinky2013的博客 2万+

Cortex-M异常处理深度解析:从HardFault到调试实战

在嵌入式开发中,Cortex-M系列处理器的异常处理机制是保障系统可靠性的核心。然而,面对HardFault、MemManage、BusFault等异常时,开发者往往陷入迷茫。本文结合SEGGER AN00016和Keil AN209两篇权威文档,深入剖析异常根源、寄存器解析及调试技巧,并通过代码实例演示如何快速定位问题。

汽车电子软件领域知识分享 2534

科研党必备:用Python+Excel批量下载文献的保姆级教程(附常见错误解决)

本文提供了一套利用Python和Excel实现外文文献批量下载的自动化解决方案。教程详细介绍了如何从数据库导出并清洗DOI信息,编写健壮的Python脚本进行批量下载,并包含错误处理与进阶优化技巧,旨在帮助科研人员将重复性劳动自动化,大幅提升文献收集效率。

weixin_29050513的博客 311

MATLAB水果自动识别的BP神经网络方法

水果自动识别的BP神经网络方法摘 要:针对多种水果混合的图像,对各种水果的提取和识别进行研究。利用Matlab软件进行图 像数据获取、对比度增强、去噪、二值化处理;为弥补二值化后图像中出现的断边、孔洞,借助Sobel算 子进行边缘提取以接合断边,并基于数学形态学算子填充孔洞。再标签化处理图像并提取水果的颜 色、形状、边缘特征,用200幅水果图像提取上述特征构造训练样本和测试样本,然后利用构造的样本...

m0_59833680的博客 2856

从零开始:用这些公开数据集搞定电力AI项目(含鸟巢、绝缘子、负荷预测等33个实战资源)

本文系统梳理了电力AI领域33个精选公开数据集,涵盖目标检测、负荷预测等关键场景,如鸟巢检测、绝缘子缺陷识别等。通过实战案例解析数据预处理、模型选型及性能优化策略,帮助工程师快速构建端到端解决方案,解决电力AI项目中的数据获取与处理难题。

weixin_42522552的博客 220

基于matlab国内外水果自动分级方面,水果自动识别的BP神经网络方法

摘 要:针对多种水果混合的图像,对各种水果的提取和识别进行研究。利用Matlab软件进行图像数据获取、对比度增强、去噪、二值化处理;为弥补二值化后图像中出现的断边、孔洞,借助Sobel算子进行边缘提取以接合断边,并基于数学形态学算子填充孔洞。再标签化处理图像并提取水果的颜色、形状、边缘特征,用200幅水果图像提取上述特征构造训练样本和测试样本,然后利用构造的样本对BP神经网络进行训练和测试。实验...

weixin_29599245的博客 2294

【Python&RS】哨兵2号(Sentinel2)轨道条带说明+图幅统计(表格+矢量)

今天给大家带来哨兵2号的图幅编号介绍以及全国省、市所需图幅数的统计。网上教程极少,而且结果也不公开。因为每次下载的时候都不知道需要几幅,所以研究后给大家分享一下。

Remote Sensing迷途小书童 1684

基于STM32的可穿戴式多生理参数实时监测与预警系统

针对传统可穿戴健康设备存在的生理参数监测种类单一、数据处理依赖云端导致响应滞后、续航能力弱等问题,设计一种基于STM32的可穿戴式多生理参数实时监测与预警系统。系统以STM32L476RG低功耗微控制器为核心,集成心率血氧传感器、体温传感器、血压传感器,实现人体心率、血氧饱和度、体温、收缩压/舒张压的同步采集;通过边缘端轻量化数据处理算法完成参数异常判定,结合低功耗硬件设计与软件休眠策略,在保证监测精度的同时延长续航。测试结果表明,系统心率监测误差≤2次/分钟,血氧饱和度误差≤2%,体温误差≤±0.2℃,血

m0_74026776的博客 2041

基于MATLAB BP神经网络的水果识别研究

摘 要: 本文介绍了一种基于 BP 神经网络的水果识别方法。 随着模式识别技术不断的发展,图像识别作为最具代表性的应用,受到了众多学者的关注,尤其是在图像快速识别方面。 为了解决传统水果图像分类识别算法人工提取特征的缺陷,将经过训练的 BP 神经网络应用在水果的识别中。 本实验使用数字图像处理的方法,首先对采集到的图像进行预处理,并针对多种水果混合的图像进行提取和识别。 实验表明,基于 BP ...

matlab1998_vx的博客 1700

Node-RED教程(二):Node-RED的面板的操作

Node-RED系列(二):Node-RED的面板的操作 要使用Node-RED去搭建一个物联网平台,链接设备,设备通信,就必须要先熟悉Node-RED的这种面板,对于一个新的项目,在动手做之前一点想对这个的技术的文档有足够的了解做起来才能游刃有余。本期我给大家介绍一下Node-RED的各种面板,熟悉这些面板后,在后续的搭建Iot服务中,会举重若轻,同时该系列的文档,难度会逐步加深,知道了本章解释的名称后对后续文章的理解有很大帮助。 面板1:默认节点选项列表 安装Node-RED后默认的节点分为这5大类

知无涯 1万+

基于MATLAB BP神经网络的水果识别研究

基于MATLAB BP神经网络的水果识别研究摘 要: 本文介绍了一种基于 BP 神经网络的水果识别方法。 随着模式识别技术不断的发展,图像识别作为最具代表性的应用,受到了众多学者的关注,尤其是在图像快速识别方面。 为了解决传统水果图像分类识别算法人工提取特征的缺陷,将经过训练的 BP 神经网络应用在水果的识别中。 本实验使用数字图像处理的方法,首先对采集到的图像进行预处理,并针对多种水果混合的...

m0_59817540的博客 952

Python 爬虫实战:爬取 BOSS 直聘职位,实现岗位要求关键词提取

摘要:本文基于BOSS直聘数据分析师岗位信息,采用Python爬虫技术获取职位数据,通过文本分析和可视化方法研究岗位技能需求特征。研究首先设计爬虫程序获取职位基本信息和岗位要求文本,经数据清洗后运用jieba分词和词频统计提取关键词。结果显示SQL、Python为最核心技能,不同级别岗位需求差异明显:初级重基础数据处理,高级需建模和管理能力;行业间亦存在差异,互联网关注用户增长,金融侧重风控。研究为求职者技能提升提供了数据支持,同时展示了从非结构化文本中挖掘有价值信息的完整流程。

2503_91057718的博客 1769

深度学习工具包 DeepLearningToolbox

深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

matlab水果定位与分割,利用Matlab软件和BP神经网络快速识别水果实现分拣

我国是水果生产与消费大国,我国水果不但品种丰富,而且以水果为原料的食品如罐头、果冻等加工产业也颇具规模。然而,在水果果料的加工过程中可能会不经意地混入诸如毛发、纤维丝、纸屑、金属、油漆等异物,从而对产品质量和消费者心理造成不良影响。目前大多数食品生产企业还是采用人工裸眼检测加工过程中在制品是否沾染异物,存在效率低、漏检率高、劳动量大等缺点。人们吃到甚或看到食品中有异物总是很恶心,为此而向销售、生产...

weixin_35752233的博客 2769

廖雪峰Python教程[完整版]

廖雪峰的python教程整理的,已经排好版了,而且还是完整的,适合小白

水果自动识别的BP神经网络方法

神经网络是由简单结构和规则复合而成的高级复 杂的非线性系统,它在不同程度和层次上模拟人脑神经 系统的信息处理、存储及检索功能,具有并行结构和并 行处理、自适应性、知识的分布存储、较强的容错性、本 质的非线性系统等特性凹。神经网络的水果识别系统 具有较强的适应能力,识别效率高,是一种有效的检测 方法。我国一直是水果、蔬菜生产大国,水果分拣基本上 仍由人工完成,虽然成本低廉,但劳动力大、生产效率 低,产后商品化处理技术和设备落后,用肉眼评判水果 的好坏,分级标准不一和分级精度不稳定,导致产品缺 乏市场竞争力。

weixin_50928346的博客 918

温度PID控制PLC程序

温度PID稳定控制程序,适用于欧姆龙PLC,对其他PLC也具有很大参考价值

计算机控制技术及应用

《计算机控制技术及应用》通过总结作者的科研成果和吸收国内外的先进理论、方法和技术,以计算机控制系统的网络化、开放化、智能化和集成化发展趋势为主线索,主要介绍计算机控制系统的基本概念和计算机控制系统的典型形式,计算机控制系统的数学描述与基本分析方法,以及数字PID控制器、最少拍控制系统、达林算法、状态变量设计法等设计方法及其各种改进算法。重点突出计算机控制系统输入输出通道接口的设计方法和典型控制系统的设计案例与实现方法等。

基于MATLAB BP神经网络的水果识别

基于MATLAB BP神经网络的水果识别一、课题实现的功能 1 原理分析 由于数字图像是唯一的特征标识符号,在经营管理中具有不可替代的作用,因此数字图像识别系统应具有很高的识别正确率,对环境光照条件、拍摄位置等因素的影响应有较大的容阈,并且要求满足实时性要求。区域搜索与分割图像分割归一化图像特征提取图像识别图像输入预处理图2-1 水果特征识别系统原理图该系统是计算机图像处理与特征识别技术...

m0_60677550的博客 2858

人工智能专业-基于BP神经网络的水果识别系统-matlab

毕业设计-基于BP神经网络的水果识别系统-matlab:我国地域广阔、水果资源丰富,随着科技发展和社会需求 的加大,水果的种植规模也在不断增大;同时也出现了复合型 果园。在复合型果园场景中,借助水果识别系统配合机械化设 备可以完成自动采摘、分拣等操作;尽管人工同样能实现相同 的操作,但是效率不高、需要的劳动力也较大。而且,随着劳动 力结构的转变,从事农业的劳动力也在不断减少。所以将其应 用到生产当中可以代替大量的劳动力,可以达到高效、方便的 特点。 在当前,国内外对水果识别以及神经算法的研究已经取得 了不错

Hai_Lang_IT的博客 5186

MATLAB BP神经网络的水果数字图像识别

基于MATLAB BP神经网络的水果数字图像识别 【摘要】 随着现代社会的发展,信息的形式和数量正在迅猛增长。其中很大一部分是图像,图像可以把事物生动的呈现在我们面前,让我们更直观地接受信息。同时,计算机已经作为一种人们普遍使用的工具为人们的生产生活服务。如今我们也可以把这些技术应用在经营领域。作为智能经营系统(InteUigent Traffic System,简称ITS)中的一个重要组

m0_75211241的博客 1123

基于 BP 神经网络的水果识别研究

但是,本文提出的算法也存在不足, 由于水果种类繁多,重点选取的香蕉、苹果等比较有特点的水果,所以实验结果较理想,若参杂其它水果种类,如青苹果、火龙果等,则需要对算法进行改进。通过神经网络的不断训练,后期对图像的识别更加准确。图 6 所示为 3 种水果的 RGB 通道图及其直方图,由图可知,与其它 2 种水果对比,苹果的 R 通道直方图中其固定区域内的像素数量( 200-300) 与 G 通道和 B 通道像 素 和 的 比 值 为 3 水 果 中 最大的,可得到苹果的比值最大,可知苹果的红色信息量最多。

GPT_code的博客 628

MATLAB BP的水果自动识别

MATLAB BP的水果自动识别摘 要:针对多种水果混合的图像,对各种水果的提取和识别进行研究。利用Matlab软件进行图 像数据获取、对比度增强、去噪、二值化处理;为弥补二值化后图像中出现的断边、孔洞,借助Sobel算 子进行边缘提取以接合断边,并基于数学形态学算子填充孔洞。再标签化处理图像并提取水果的颜 色、形状、边缘特征,用200幅水果图像提取上述特征构造训练样本和测试样本,然后利用构造的样...

m0_60677550的博客 1002
上一篇: 基于 BP 神经网络的水果识别研究
下一篇: 基于数字图像的水果边缘检测方法研究
GPT_code
博客等级 码龄3年 3543粉丝 338原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值