卷積神經(jīng)網(wǎng)絡(luò)總結(jié)精選(九篇)

前言：一篇好文章的誕生，需要你不斷地搜集資料、整理思路，本站小編為你收集了豐富的卷積神經(jīng)網(wǎng)絡(luò)總結(jié)主題范文，僅供參考，歡迎閱讀并收藏。

第1篇：卷積神經(jīng)網(wǎng)絡(luò)總結(jié)范文

【關(guān)鍵詞】壓縮緊鄰 字符識(shí)別 正確率

1 研究背景

樣本選擇是從原有的樣本集中某一種選擇方式來(lái)選出樣本子集，是一個(gè)能加快數(shù)據(jù)處理效率，可以節(jié)省存儲(chǔ)資源并且保證不降低分類(lèi)性能的可靠方法。樣本選擇和特征選擇在某些方面上有相似之處，一般都是與具體分類(lèi)預(yù)測(cè)方法相關(guān)聯(lián)。字符識(shí)別是模式識(shí)別中一類(lèi)熱門(mén)的研究問(wèn)題，本文將利用樣本選擇方法結(jié)合深度卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行字符識(shí)別。

2 加權(quán)壓縮近鄰方法

基于壓縮近鄰的樣本選擇方法具有擁有降低存儲(chǔ)、縮短運(yùn)算等特點(diǎn)。郝紅衛(wèi)等人在此基礎(chǔ)上提出了加權(quán)壓縮近鄰規(guī)則，針對(duì)那些未被選中的邊緣樣本，可以重復(fù)數(shù)次對(duì)壓縮近鄰的過(guò)程，從而確保樣本數(shù)據(jù)均能夠被選上。對(duì)于中心樣本也能被保留的問(wèn)題，通過(guò)對(duì)樣本加權(quán)評(píng)估、再次選擇的方式來(lái)解決。在選擇的過(guò)程中可以根據(jù)實(shí)驗(yàn)需要進(jìn)行樣本數(shù)量進(jìn)行控制，稱之為加權(quán)壓縮近鄰規(guī)則（Weighted Condensed Nearest Neighbor）。

該算法是通過(guò)壓縮近鄰規(guī)則過(guò)程的循環(huán)保證子集P中有足夠多的邊界樣本，但是其中仍存在大量的冗余，我們依據(jù)投票的原則對(duì)子集P中樣本的代表性進(jìn)行評(píng)估并且再次選擇。其具體過(guò)程是對(duì)于U中的每個(gè)樣本x找出P中距離最接近的樣本xi，如果x和xi的類(lèi)別是相同的，那么投xi一票。樣本獲得的票數(shù)最高，說(shuō)明它最具有代表性。根據(jù)投票的實(shí)際情況和樣本的數(shù)量來(lái)得到最終的子集A。用加權(quán)壓縮近鄰規(guī)則獲得的子集比壓縮近鄰規(guī)則得到的子集包含更少的冗余樣本和更多的具有代表性樣本，同時(shí)還可以根據(jù)實(shí)驗(yàn)來(lái)控制子集中所含有的樣本數(shù)。

3 實(shí)驗(yàn)結(jié)果與分析

本次實(shí)驗(yàn)分別使用MNIST和USPS手寫(xiě)體識(shí)別庫(kù)作為訓(xùn)練和測(cè)試樣本集。

實(shí)驗(yàn)平臺(tái)采用英特爾酷睿i5-4430CPU 3.00GHz，8GB內(nèi)存，Windows10操作系統(tǒng)，Matlab R2010b。我們?cè)O(shè)定隨機(jī)選擇和壓縮近鄰選取MNIST中樣本數(shù)目為6600個(gè)，樣本壓縮比為10%，USPS庫(kù)中選取樣本數(shù)目為1767個(gè)，樣本壓縮比為20.34%。設(shè)置深度卷積神經(jīng)網(wǎng)絡(luò)訓(xùn)練次數(shù)設(shè)為100次。

算法給出了基于壓縮近鄰和BP神經(jīng)網(wǎng)絡(luò)手寫(xiě)體字符識(shí)別結(jié)果。通過(guò)融合壓縮近鄰規(guī)則選取樣本和BP神經(jīng)網(wǎng)絡(luò)實(shí)驗(yàn)，在訓(xùn)練時(shí)間上雖然沒(méi)有融合隨機(jī)選取樣本和深度卷積網(wǎng)絡(luò)實(shí)驗(yàn)短，但是在時(shí)間上并沒(méi)有很大幅度延長(zhǎng)。在實(shí)驗(yàn)的識(shí)別錯(cuò)誤率上，MNIST庫(kù)中比隨機(jī)選擇實(shí)驗(yàn)提升了1.52%，分類(lèi)效果提升明顯。可見(jiàn)壓縮近鄰方法可以選擇到更好的代表性樣本。這兩組數(shù)據(jù)依然說(shuō)明了壓縮近鄰對(duì)樣本選擇的可靠性。表1給出了基于壓縮近鄰和卷積神經(jīng)網(wǎng)絡(luò)的手寫(xiě)體字符識(shí)別結(jié)果。

4 總結(jié)

本文主要介紹了基于壓縮近鄰的樣本選擇方法。樣本選擇的提出是為了有效減少樣本數(shù)量，并且保證不降低訓(xùn)練精確度。在實(shí)驗(yàn)中進(jìn)行驗(yàn)證，通過(guò)壓縮近鄰規(guī)則選取樣本和深度卷積神經(jīng)網(wǎng)絡(luò)實(shí)驗(yàn)，證明其能夠減少訓(xùn)練樣本，提升訓(xùn)練速度，降低存儲(chǔ)空間還可以提高識(shí)別正確率。

參考文獻(xiàn)

[1]郝紅衛(wèi)，蔣蓉蓉.基于最近鄰規(guī)則的神經(jīng)網(wǎng)絡(luò)訓(xùn)練樣本選擇方法[J].自動(dòng)化學(xué)報(bào)，2007，33（12）：1247-1251.

[2]姜文瀚.模式識(shí)別中的樣本選擇研究及其應(yīng)用[D].南京理工大學(xué)，2008.

[3]余凱，賈磊，陳雨強(qiáng).深度學(xué)習(xí)的昨天、今天和明天[J].計(jì)算機(jī)研究與發(fā)展，2013，50（09）：1799-1804.

第2篇：卷積神經(jīng)網(wǎng)絡(luò)總結(jié)范文

關(guān)鍵詞：人工智能 機(jī)器學(xué)習(xí) 機(jī)器人情感獲得 發(fā)展綜述

中圖分類(lèi)號(hào)：TP18 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1003-9082 （2017） 04-0234-01

引言

人類(lèi)自從工業(yè)革命結(jié)束之后，就已然開(kāi)始了對(duì)人工智能的探索，究其本質(zhì)，實(shí)際上就是對(duì)人的思維進(jìn)行模仿，以此代替人類(lèi)工作。人工智能的探索最早可以追溯到圖靈時(shí)期，那時(shí)圖靈就希望未來(lái)的智能系統(tǒng)能夠像人一樣思考。在20世紀(jì)五十年代，人工智能被首次確定為一個(gè)新興的學(xué)科，并吸引了大批的學(xué)者投入到該領(lǐng)域的研究當(dāng)中。經(jīng)過(guò)長(zhǎng)時(shí)間的探索和嘗試，人工智能的許多重要基本理論已經(jīng)形成，如模式識(shí)別、特征表示與推理、機(jī)器學(xué)習(xí)的相關(guān)理論和算法等等。進(jìn)入二十一世紀(jì)以來(lái)，隨著深度學(xué)習(xí)與卷積神經(jīng)網(wǎng)絡(luò)的發(fā)展，人工智能再一次成為研究熱點(diǎn)。人工智能技術(shù)與基因過(guò)程、納米科學(xué)并列為二十一世紀(jì)的三大尖端技術(shù)， 并且人工智能涉及的學(xué)科多，社會(huì)應(yīng)用廣泛，對(duì)其原理和本質(zhì)的理解也更為復(fù)雜。 一、人工智能的發(fā)展歷程

回顧人工智能的產(chǎn)生與發(fā)展過(guò)程 ，可以將其分為：初期形成階段，綜合發(fā)展階段和應(yīng)用階段。

1.初期形成階段

人工智能這一思想最早的提出是基于對(duì)人腦神經(jīng)元模型的抽象。其早期工作被認(rèn)為是由美國(guó)的神經(jīng)學(xué)家和控制論學(xué)者 Warren McCulloch與Walter Pitts共同完成的。在1951年，兩名普林斯頓大學(xué)的研究生制造出了第一臺(tái)人工神經(jīng)元計(jì)算機(jī)。而其真正作為一個(gè)新的概念被提出是在1956年舉行的達(dá)茅斯會(huì)議上。由麥卡錫提議并正式采用了“人工智能”（Artificial Intelligence）礱枋穌庖謊芯咳綰斡沒(méi)器來(lái)模擬人類(lèi)智能的新興學(xué)科。1969年的國(guó)際人工智能聯(lián)合會(huì)議標(biāo)志著人工智能得到了國(guó)際的認(rèn)可。至此，人工智能這一概念初步形成，也逐漸吸引了從事數(shù)學(xué)、生物、計(jì)算機(jī)、神經(jīng)科學(xué)等相關(guān)學(xué)科的學(xué)者參與該領(lǐng)域的研究。

2.綜合發(fā)展階段

1.7 7年， 費(fèi)根鮑姆在第五屆國(guó)際人工智能聯(lián)合會(huì)議上正式提出了“知識(shí)工程”這一概念。而后其對(duì)應(yīng)的專家系統(tǒng)得到發(fā)展，許多智能系統(tǒng)紛紛被推出，并應(yīng)用到了人類(lèi)生活的方方面面。20世紀(jì)80年代以來(lái)，專家系統(tǒng)逐步向多技術(shù)、多方法的綜合集成與多學(xué)科、多領(lǐng)域的綜合應(yīng)用型發(fā)展。大型專家系統(tǒng)開(kāi)發(fā)采用了多種人工智能語(yǔ)言、多種知識(shí)表示方法、多種推理機(jī)制和多種控制策略相結(jié)合的方式， 并開(kāi)始運(yùn)用各種專家系統(tǒng)外殼、專家系統(tǒng)開(kāi)發(fā)工具和專家系統(tǒng)開(kāi)發(fā)環(huán)境等等。在專家系統(tǒng)的發(fā)展過(guò)程中，人工智能得到了較為系統(tǒng)和全面的綜合發(fā)展，并能夠在一些具體的任務(wù)中接近甚至超過(guò)人類(lèi)專家的水平。

3.應(yīng)用階段

進(jìn)入二十一世紀(jì)以后，由于深度人工神經(jīng)網(wǎng)絡(luò)的提出，并在圖像分類(lèi)與識(shí)別的任務(wù)上遠(yuǎn)遠(yuǎn)超過(guò)了傳統(tǒng)的方法，人工智能掀起了前所未有的。2006年，由加拿大多倫多大學(xué)的Geoffery Hinton及其學(xué)生在《Science》雜志上發(fā)表文章，其中首次提到了深度學(xué)習(xí)這一思想，實(shí)現(xiàn)對(duì)數(shù)據(jù)的分級(jí)表達(dá)，降低了經(jīng)典神經(jīng)網(wǎng)絡(luò)的訓(xùn)練難度。并隨后提出了如深度卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Network， CNN），以及區(qū)域卷積神經(jīng)網(wǎng)絡(luò)（Region-based Convolutional Neural Network， R-CNN），等等新的網(wǎng)絡(luò)訓(xùn)練結(jié)構(gòu)，使得訓(xùn)練和測(cè)試的效率得到大幅提升，識(shí)別準(zhǔn)確率也顯著提高。

二、人工智能核心技術(shù)

人工智能由于其涉及的領(lǐng)域較多，內(nèi)容復(fù)雜，因此在不同的應(yīng)用場(chǎng)景涉及到許多核心技術(shù)，這其中如專家系統(tǒng)、機(jī)器學(xué)習(xí)、模式識(shí)別、人工神經(jīng)網(wǎng)絡(luò)等是最重要也是發(fā)展較為完善的幾個(gè)核心技術(shù)。

1.專家系統(tǒng)

專家系統(tǒng)是一類(lèi)具有專門(mén)知識(shí)和經(jīng)驗(yàn)的計(jì)算機(jī)智能程序系統(tǒng)，通過(guò)對(duì)人類(lèi)專家的問(wèn)題求解能力建模，采用人工智能中的知識(shí)表示和知識(shí)推理技術(shù)來(lái)模擬通常由專家才能解決的復(fù)雜問(wèn)題，達(dá)到具有與專家同等解決問(wèn)題能力的水平。對(duì)專家系統(tǒng)的研究，是人工智能中開(kāi)展得較為全面、系統(tǒng)且已經(jīng)取得廣泛應(yīng)用的技術(shù)。許多成熟而先進(jìn)的專家系統(tǒng)已經(jīng)被應(yīng)用在如醫(yī)療診斷、地質(zhì)勘測(cè)、文化教育等方面。

2.機(jī)器學(xué)習(xí)

機(jī)器學(xué)習(xí)是一個(gè)讓計(jì)算機(jī)在非精確編程下進(jìn)行活動(dòng)的科學(xué)，也就是機(jī)器自己獲取知識(shí)。起初，機(jī)器學(xué)習(xí)被大量應(yīng)用在圖像識(shí)別等學(xué)習(xí)任務(wù)中，后來(lái)，機(jī)器學(xué)習(xí)不再限于識(shí)別字符、圖像中的某個(gè)目標(biāo)，而是將其應(yīng)用到機(jī)器人、基因數(shù)據(jù)的分析甚至是金融市場(chǎng)的預(yù)測(cè)中。在機(jī)器學(xué)習(xí)的發(fā)展過(guò)程中，先后誕生了如凸優(yōu)化、核方法、支持向量機(jī)、Boosting算法等等一系列經(jīng)典的機(jī)器學(xué)習(xí)方法和理論。機(jī)器學(xué)習(xí)也是人工智能研究中最為重要的核心方向。

3.模式識(shí)別

模式識(shí)別是研究如何使機(jī)器具有感知能力 ，主要研究圖像和語(yǔ)音等的識(shí)別。其經(jīng)典算法包括如k-means，主成分分析（PCA），貝葉斯分類(lèi)器等等。在日常生活各方面以及軍事上都有廣大的用途。近年來(lái)迅速發(fā)展起來(lái)應(yīng)用模糊數(shù)學(xué)模式、人工神經(jīng)網(wǎng)絡(luò)模式的方法逐漸取代傳統(tǒng)的基于統(tǒng)計(jì)學(xué)習(xí)的識(shí)別方法。圖形識(shí)別方面例如識(shí)別各種印刷體和某些手寫(xiě)體文字，識(shí)別指紋、癌細(xì)胞等技術(shù)已經(jīng)進(jìn)入實(shí)際應(yīng)用。語(yǔ)音識(shí)別主要研究各種語(yǔ)音信號(hào)的分類(lèi)，和自然語(yǔ)言理解等等。模式識(shí)別技術(shù)是人工智能的一大應(yīng)用領(lǐng)域，其非常熱門(mén)的如人臉識(shí)別、手勢(shì)識(shí)別等等對(duì)人們的生活有著十分直接的影響。

4.人工神經(jīng)網(wǎng)絡(luò)

人工神經(jīng)網(wǎng)絡(luò)是在研究人腦的結(jié)構(gòu)中得到啟發(fā)， 試圖用大量的處理單元模仿人腦神經(jīng)系統(tǒng)工程結(jié)構(gòu)和工作機(jī)理。而近年來(lái)發(fā)展的深度卷積神經(jīng)網(wǎng)絡(luò)（Convolutional neural networks， CNNs）具有更復(fù)雜的網(wǎng)絡(luò)結(jié)構(gòu)，與經(jīng)典的機(jī)器學(xué)習(xí)算法相比在大數(shù)據(jù)的訓(xùn)練下有著更強(qiáng)的特征學(xué)習(xí)和表達(dá)能力。含有多個(gè)隱含層的神經(jīng)網(wǎng)絡(luò)能夠?qū)斎朐紨?shù)據(jù)有更抽象喝更本質(zhì)的表述，從而有利于解決特征可視化以及分類(lèi)問(wèn)題。另外，通過(guò)實(shí)現(xiàn)“逐層初始化”這一方法，實(shí)現(xiàn)對(duì)輸入數(shù)據(jù)的分級(jí)表達(dá)，可以有效降低神經(jīng)網(wǎng)絡(luò)的訓(xùn)練難度。目前的神經(jīng)網(wǎng)絡(luò)在圖像識(shí)別任務(wù)中取得了十分明顯的進(jìn)展，基于CNN的圖像識(shí)別技術(shù)也一直是學(xué)術(shù)界與工業(yè)界一致追捧的熱點(diǎn)。

三、機(jī)器人情感獲得

1.智能C器人現(xiàn)狀

目前智能機(jī)器人的研究還主要基于智能控制技術(shù)，通過(guò)預(yù)先定義好的機(jī)器人行動(dòng)規(guī)則，編程實(shí)現(xiàn)復(fù)雜的自動(dòng)控制，完成機(jī)器人的移動(dòng)過(guò)程。而人類(lèi)進(jìn)行動(dòng)作、行為的學(xué)習(xí)主要是通過(guò)模仿及與環(huán)境的交互。從這個(gè)意義上說(shuō)，目前智能機(jī)器人還不具有類(lèi)腦的多模態(tài)感知及基于感知信息的類(lèi)腦自主決策能力。在運(yùn)動(dòng)機(jī)制方面，目前幾乎所有的智能機(jī)器人都不具備類(lèi)人的外周神經(jīng)系統(tǒng)，其靈活性和自適應(yīng)性與人類(lèi)運(yùn)動(dòng)系統(tǒng)還具有較大差距。

2.機(jī)器人情感獲得的可能性

人腦是在與外界永不停息的交互中，在高度發(fā)達(dá)的神經(jīng)系統(tǒng)的處理下獲得情感。智能機(jī)器人在不斷的機(jī)器學(xué)習(xí)和大數(shù)據(jù)處理中，中樞處理系統(tǒng)不斷地自我更新、升級(jí)，便具備了獲得情感的可能性及幾率。不斷地更新、升級(jí)的過(guò)程類(lèi)似于生物的進(jìn)化歷程，也就是說(shuō)，智能機(jī)器人有充分的可能性獲得與人類(lèi)同等豐富的情感世界。

3.機(jī)器人獲得情感的利弊

機(jī)器人獲得情感在理論可行的情況下，伴之而來(lái)的利弊則眾說(shuō)紛紜。一方面，擁有豐富情感世界的機(jī)器人可以帶來(lái)更多人性化的服務(wù)，人機(jī)合作也可進(jìn)行地更加深入，可以為人類(lèi)帶來(lái)更為逼真的體驗(yàn)和享受。人類(lèi)或可與智能機(jī)器人攜手共創(chuàng)一個(gè)和諧世界。但是另一方面，在機(jī)器人獲得情感時(shí)，機(jī)器人是否能徹底貫徹人類(lèi)命令及協(xié)議的擔(dān)憂也迎面而來(lái)。

4.規(guī)避機(jī)器人情感獲得的風(fēng)險(xiǎn)

規(guī)避智能機(jī)器人獲得情感的風(fēng)險(xiǎn)應(yīng)預(yù)備強(qiáng)制措施。首先要設(shè)計(jì)完備的智能機(jī)器人情感協(xié)議，將威脅泯滅于未然。其次，應(yīng)控制智能機(jī)器人的能源獲得，以限制其自主活動(dòng)的能力，杜絕其建立獨(dú)立體系的可能。最后，要掌控核心武器，必要時(shí)強(qiáng)行停止運(yùn)行、回收、甚至銷(xiāo)毀智能機(jī)器人。

三、總結(jié)

本文梳理了人工智能的發(fā)展歷程與核心技術(shù)，可以毋庸置疑地說(shuō)，人工智能具有極其廣闊的應(yīng)用前景，但也伴隨著極大的風(fēng)險(xiǎn)?；仡櫰浒l(fā)展歷程，我們有理由充分相信，在未來(lái)人工智能的技術(shù)會(huì)不斷完善，難題會(huì)被攻克。作為世界上最熱門(mén)的領(lǐng)域之一，在合理有效規(guī)避其風(fēng)險(xiǎn)的同時(shí)，獲得情感的智能機(jī)器人會(huì)造福人類(lèi)，并極大地幫助人們的社會(huì)生活。

參考文獻(xiàn)

[1]韓曄彤.人工智能技術(shù)發(fā)展及應(yīng)用研究綜述[J].電子制作，2016，（12）：95.

[2]曾毅，劉成林，譚鐵牛.類(lèi)腦智能研究的回顧與展望[J].計(jì)算機(jī)學(xué)報(bào)，2016，（01）：212-222.

[3]張?jiān)?人工智能綜述：讓機(jī)器像人類(lèi)一樣思考

第3篇：卷積神經(jīng)網(wǎng)絡(luò)總結(jié)范文

關(guān)鍵詞：車(chē)牌識(shí)別系統(tǒng)； 智能交通； 技術(shù)

中圖分類(lèi)號(hào)： TP391.4文獻(xiàn)標(biāo)識(shí)碼：A文章編號(hào)：1009-3044(2008)18-20ppp-0c

Research on Licence Plate Recognition System

YI Lian-jie

(Loudi Vocational and Technical College Loudi Huanan417000)

Abstract: The licence plate recognition system has an importantrole of morden intelligent traffic system. This paper narrated the key technology ofthe licence plate recognition system and discussed the existing problems and development of the licence plate recognition system.

Keywords: the licence plate recognition system; intelligent traffic system; technology

車(chē)牌識(shí)別系統(tǒng)是智能交通系統(tǒng)的關(guān)鍵部分，可廣泛應(yīng)用于交通管理、監(jiān)控和電子收費(fèi)等場(chǎng)合。車(chē)牌識(shí)別系統(tǒng)就是以車(chē)牌作為車(chē)輛的唯一標(biāo)識(shí)，采用計(jì)算機(jī)視覺(jué)和模式識(shí)別技術(shù)對(duì)汽車(chē)車(chē)牌的自動(dòng)識(shí)別。

1 車(chē)牌識(shí)別系統(tǒng)的組成

典型的車(chē)牌識(shí)別系統(tǒng)由車(chē)輛檢測(cè)、圖像采集、車(chē)牌識(shí)別等部分組成（圖1）。車(chē)輛檢測(cè)就是使用車(chē)輛傳感器或紅外線檢測(cè)等來(lái)判斷車(chē)輛是否通過(guò)某一位置。當(dāng)車(chē)輛駛過(guò)探測(cè)部位時(shí)，CCD攝像機(jī)拍攝車(chē)輛圖像，由圖像采集卡采集圖像并輸入計(jì)算機(jī)。車(chē)牌識(shí)別部分由計(jì)算機(jī)和識(shí)別軟件組成，從由CCD攝像機(jī)采集的圖像中自動(dòng)尋找車(chē)牌，然后對(duì)找到的車(chē)牌進(jìn)行字符切分和識(shí)別，最后獲得車(chē)牌號(hào)碼，并將識(shí)別結(jié)果送至監(jiān)控中心等場(chǎng)合。

圖1車(chē)牌識(shí)別系統(tǒng)的組成

在整個(gè)識(shí)別系統(tǒng)中，以車(chē)牌識(shí)別最為關(guān)鍵。識(shí)別過(guò)程有兩個(gè)步驟，首先從圖像中找出確切的車(chē)牌位置，即車(chē)牌定位，然后對(duì)找出的車(chē)牌進(jìn)行字符切分和識(shí)別。車(chē)牌識(shí)別過(guò)程包含兩大關(guān)鍵技術(shù)：1.車(chē)牌區(qū)域定位技術(shù)；2.車(chē)牌字符切分和識(shí)別技術(shù)。

2 車(chē)牌定位技術(shù)

圖像輸入計(jì)算機(jī)后，系統(tǒng)要自動(dòng)找出車(chē)牌的準(zhǔn)確位置。車(chē)牌區(qū)域定位是車(chē)牌字符切分和識(shí)別的基礎(chǔ)，是提高系統(tǒng)識(shí)別率的關(guān)鍵。車(chē)牌定位過(guò)程包括三個(gè)步驟：圖像預(yù)處理、車(chē)牌搜索和車(chē)牌糾偏。

2.1 圖像預(yù)處理

圖像預(yù)處理的作用：平滑去噪和車(chē)牌特征增強(qiáng)。

平滑去噪就是消除圖像上由于光照、車(chē)牌污損等產(chǎn)生的噪聲干擾。平滑方法主要有平均濾波、中值濾波和指數(shù)函數(shù)濾波等方法。中值濾波和指數(shù)濾波平滑效果好且能較好保持牌照和字符邊緣，但在平滑效果和處理速度方面不如平均濾波。

通常的車(chē)牌定位算法是依據(jù)車(chē)牌特征從圖像中找出車(chē)牌，因此必須使車(chē)牌區(qū)域顯示出與非車(chē)牌區(qū)域不同的獨(dú)有的特征，車(chē)牌特征增強(qiáng)使圖像中車(chē)牌區(qū)域明顯突出。通常有下述增強(qiáng)方法：邊緣檢測(cè)法、二值化法、量化法、數(shù)學(xué)形態(tài)學(xué)法。

具有不同灰度的相鄰區(qū)域之間存在邊緣，在車(chē)牌區(qū)域存在車(chē)牌邊框邊緣和車(chē)牌字符邊緣。邊緣檢測(cè)法就是要檢測(cè)出這些邊緣。有關(guān)邊緣檢測(cè)的算法很多，考慮實(shí)時(shí)性要求，采用簡(jiǎn)單的微分算子，如一階微分算等。這些算子采用小區(qū)域模板與圖像卷積實(shí)現(xiàn)邊緣檢測(cè)。文獻(xiàn)[1]提出一種牌照字符邊緣特征增強(qiáng)的方法，該方法使用線性濾波器函數(shù)將每一行中多個(gè)連續(xù)的水平方向梯度值相加，使得字符的垂直邊緣增強(qiáng)。微分算子對(duì)噪聲較為敏感，因此在使用之前需要平滑去噪。LOG算子是高斯指數(shù)平滑法與Laplacian算子相結(jié)合的邊緣檢測(cè)方法，既能消除噪聲又能很好的突出車(chē)牌字符的邊緣。

二值化增強(qiáng)法先確定一個(gè)閾值，然后將圖像中各個(gè)像素的灰度值都與這個(gè)閾值比較，根據(jù)比較結(jié)果將整個(gè)圖像的像素點(diǎn)分為兩類(lèi)，車(chē)牌區(qū)域歸為一類(lèi)，便于車(chē)牌搜索。為了滿足實(shí)時(shí)性要求，采用簡(jiǎn)單、快速的二值化法，如平均閾值法，反積分自適應(yīng)閾值法等。

文獻(xiàn)[3]使用神經(jīng)網(wǎng)絡(luò)來(lái)對(duì)彩色圖像量化，使得車(chē)牌區(qū)域的字符為一種特定的顏色，然后進(jìn)行顏色過(guò)濾或線掃描，借此提取車(chē)牌。該方法首先必須選取車(chē)牌樣本圖像，并且要把RGB顏色模式轉(zhuǎn)換為HSI模式，以HSI各分量值作為輸入對(duì)神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，再以訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)對(duì)圖像的各像素點(diǎn)量化分類(lèi)，該方法抗干擾能力強(qiáng)，量化前可不要求平滑，

數(shù)學(xué)形態(tài)學(xué)表示以形態(tài)為基礎(chǔ)對(duì)圖像進(jìn)行分析的數(shù)學(xué)工具，它的基本思想使用具有一定形態(tài)的結(jié)構(gòu)元素去量度和提取圖像中的對(duì)應(yīng)形狀以達(dá)到對(duì)圖像分析和識(shí)別的目的。數(shù)學(xué)形態(tài)學(xué)有四種基本的運(yùn)算：膨脹，腐蝕，開(kāi)啟和閉合。出于以下兩個(gè)意圖而使用形態(tài)學(xué)方法：1.將開(kāi)啟和閉合結(jié)合起來(lái)，消除二值化后的車(chē)牌區(qū)域中存在的細(xì)小空洞；2.采用水平線段的結(jié)構(gòu)元素膨脹，使二值化后的車(chē)牌區(qū)域成為一連通區(qū)域。

需要說(shuō)明的是，上述方法往往不是單獨(dú)使用，如二值化法是對(duì)邊緣檢測(cè)后的圖像進(jìn)行，而形態(tài)學(xué)方法是在二值化圖上實(shí)現(xiàn)。不能簡(jiǎn)單的評(píng)價(jià)圖像預(yù)處理方法的優(yōu)劣，因?yàn)檫@與所對(duì)應(yīng)的車(chē)牌搜索方法緊密相關(guān)。

2.2 車(chē)牌搜索

車(chē)牌搜索就是根據(jù)車(chē)牌區(qū)域特征在圖像中尋找車(chē)牌的過(guò)程。根據(jù)搜索的方式可把車(chē)牌搜索方法分為以下幾種：投影統(tǒng)計(jì)法、線掃描法、模板匹配法和反Hough變換法等。車(chē)牌搜索法要與相應(yīng)的車(chē)牌增強(qiáng)法配合使用(見(jiàn)表2)。

表2車(chē)牌增強(qiáng)法用于不同搜索法的情況

投影統(tǒng)計(jì)法對(duì)邊緣化或二值化圖像進(jìn)行水平和垂直累加投影，根據(jù)投影直方圖呈現(xiàn)的連續(xù)峰、谷、峰的分布的特征來(lái)提取車(chē)牌，或?qū)τ尚螒B(tài)學(xué)膨脹運(yùn)算后的圖像水平和垂直投影，在投影圖上尋找波峰和波谷而確定車(chē)牌位置。文獻(xiàn)[24]提出的采用高斯指數(shù)函數(shù)對(duì)投影圖平滑，能有效消除投影圖的毛刺，使車(chē)牌位置為明顯的波峰，提高車(chē)牌定位的精度。

線掃描搜索法則是對(duì)邊緣化或二值化后的圖像逐行水平掃描，穿過(guò)車(chē)牌區(qū)域的掃描線因?yàn)樽址吘壍拇嬖?，灰度呈現(xiàn)起伏的峰、谷、峰的變化，或頻繁交替出現(xiàn)亮基元、暗基元的特征，以提取車(chē)牌。文獻(xiàn)[3]用神經(jīng)網(wǎng)絡(luò)對(duì)彩色圖像量化之后，再逐行水平掃描，分別獲取顏色向量和長(zhǎng)度向量，能與標(biāo)準(zhǔn)車(chē)牌區(qū)域的顏色向量和長(zhǎng)度向量匹配的為車(chē)牌區(qū)域。

模板匹配搜索法是以特定的模板在圖像區(qū)域滑動(dòng)，以與模板匹配的局部區(qū)域?yàn)檐?chē)牌。使用的模板有線模板、倒”L”角模板、矩形框模板。線模板以水平線段或垂直線段為模板，來(lái)檢測(cè)車(chē)牌的邊框角點(diǎn)；倒“L”模板以倒“L”結(jié)構(gòu)為模板來(lái)尋找車(chē)牌邊框的左上角；矩形框模板以一個(gè)與車(chē)牌長(zhǎng)寬比例相當(dāng)?shù)木匦慰蜃鳛槟０?，在整個(gè)圖像區(qū)域滑動(dòng)，以符合某一判別函數(shù)值的區(qū)域作為車(chē)牌區(qū)域。

反Hough變換搜索法是基于車(chē)牌形狀特征的方法，先對(duì)圖像進(jìn)行Hough變換，然后在Hough參數(shù)空間尋找車(chē)牌的四個(gè)端點(diǎn)。

上述搜索法可以結(jié)合使用，如文獻(xiàn)[25]提出的自適應(yīng)邊界搜索法，先用倒”L”模板尋找車(chē)牌邊框的左上角，然后用水平線掃描和垂直線掃描找出下邊框和右邊框。投影統(tǒng)計(jì)搜索法和線掃描搜索法處理速度快，能對(duì)大小不同的車(chē)牌識(shí)別，但定位精度不高和出現(xiàn)虛假車(chē)牌的情況，需要提高定位精度和去除虛假車(chē)牌的后續(xù)工作。模板匹配搜索法能比較準(zhǔn)確的找到車(chē)牌位置，但難以滿足實(shí)時(shí)性要求，可以采用神經(jīng)網(wǎng)絡(luò)或遺傳算法來(lái)加快搜索進(jìn)程。反Hough變換搜索法除了能準(zhǔn)確找到車(chē)牌位置，還能確定車(chē)牌的傾斜角度，對(duì)噪聲、輪廓線中斷不敏感，但在有直線干擾下可能實(shí)效，文獻(xiàn)[28]提出的快速Hough變換的策略能滿足實(shí)時(shí)性要求。

2.3 車(chē)牌糾偏

由于車(chē)輛運(yùn)行軌跡不定、攝像機(jī)位置偏斜等原因，使得圖像中車(chē)牌扭曲，為了后續(xù)正確的車(chē)牌字符切分和識(shí)別，就須對(duì)車(chē)牌糾偏，使車(chē)牌達(dá)到規(guī)范的位置和大小。采用的糾偏方法通常先是用Hough變換確定水平邊框傾斜角度和垂直邊框傾斜角度，然后糾偏。文獻(xiàn)[22]提出使用Rodan 變換可用來(lái)確定傾斜角度。

3 車(chē)牌字符識(shí)別技術(shù)

車(chē)牌定位之后就要對(duì)車(chē)牌字符識(shí)別。這一過(guò)程包含下列幾個(gè)步驟（見(jiàn)圖2）：車(chē)牌二值化，字符切分，字符特征提取和字符識(shí)別。這里只討論后三個(gè)步驟。

圖2 車(chē)牌字符識(shí)別步驟

3.1 字符切分

字符切分把車(chē)牌上的字符分開(kāi)，得到一個(gè)個(gè)的字符圖像。常用的字符切分方法有投影法、模板匹配法、區(qū)域生長(zhǎng)法、聚類(lèi)分析法等。

投影法把車(chē)牌圖像垂直累加投影，形成峰谷交替的投影直方圖，找到投影圖的各個(gè)谷就能把字符分開(kāi)。模板匹配法以字符大小的矩形作為模板，根據(jù)字符的寬度初步確定每個(gè)字符的起始位置，然后以此模板在初定位置附近滑動(dòng)，找到最佳匹配位置而切分字符。區(qū)域生長(zhǎng)法對(duì)每個(gè)需要分割的字符找一個(gè)像素作為生長(zhǎng)起點(diǎn)的種子，將種子像素周?chē)徲蛑信c之相同或相近性質(zhì)的像素合并到種子像素所在的區(qū)域，然后將這些新像素當(dāng)作新的種子繼續(xù)進(jìn)行上述過(guò)程，直到再?zèng)]有滿足條件的像素可被包含進(jìn)來(lái)?；诰垲?lèi)分析的方法對(duì)車(chē)牌圖像從上到下逐行掃描，如屬于字符類(lèi)的兩像素間距離小于閾值，可認(rèn)為兩像素為同一字符，由此而得字符像素的聚類(lèi)。

3.2 字符特征提取和車(chē)牌字符識(shí)別

目前使用的車(chē)牌字符特征提取的方法可歸納為下述三種：1.基于字符統(tǒng)計(jì)特征。計(jì)算字符圖像的多階原點(diǎn)矩，多階中心矩以及中心慣性矩，以中心矩與中心慣性矩的比值作為字符特征向量，這樣提取的特征量具有平移，旋轉(zhuǎn)和尺度不變性，但運(yùn)算量大；也有把字符在多個(gè)方向上的投影（如水平方向，垂直方向，右斜方向，左斜方向）和二階中心矩的比值作為特征向量。2.基于結(jié)構(gòu)特征。輪廓特征，粗網(wǎng)格特征，層次輪廓特征以及字符特征點(diǎn).這類(lèi)特征提取計(jì)算量較少，但對(duì)噪聲和位置變化比較敏感，需要去噪和對(duì)字符歸一化。3.基于變換。對(duì)原始特征（像素點(diǎn)矩陣）進(jìn)行傅里葉變換、K-L變換或小波變換等，提取的特征向量反映字符的結(jié)構(gòu)特征和統(tǒng)計(jì)特征，相似字符的特征矢量距離較大，效果較好。實(shí)際應(yīng)用中往往是多種特征的提取，多種特征提取方法的使用。

對(duì)車(chē)牌字符特征提取之后，就把相應(yīng)的特征值輸入分類(lèi)器識(shí)別，目前對(duì)于車(chē)牌字符的分類(lèi)識(shí)別方法歸納為下列幾種。（1）模板匹配。該方法首先對(duì)待識(shí)字符進(jìn)行二值化并將其縮放為字符數(shù)據(jù)庫(kù)中模板大小，然后與所有的字符模板比較匹配，計(jì)算相似度，以最大相似度者為識(shí)別結(jié)果。（2）PCA子空間分類(lèi)器。子空間分類(lèi)器由訓(xùn)練樣本相關(guān)矩陣的特征向量構(gòu)成，單個(gè)模式的子空間建立彼此獨(dú)立，相互之間沒(méi)有聯(lián)系，以待識(shí)別字符的特征向量與所對(duì)應(yīng)的子空間距離最小作為結(jié)果。（3）基于人工神經(jīng)網(wǎng)絡(luò)。人工神經(jīng)網(wǎng)絡(luò)有抗噪聲、容錯(cuò)、自適應(yīng)、自學(xué)習(xí)能力強(qiáng)的特點(diǎn)。多隱含層的BP神經(jīng)網(wǎng)絡(luò)，BAM(Bidirectional association memories)神經(jīng)網(wǎng)絡(luò)方法，自諧振ART神經(jīng)網(wǎng)絡(luò)識(shí)別等是此方法的典范。（4）基于邏輯規(guī)則推理的識(shí)別方法。文獻(xiàn)[18]提出基于歸納推理的字符識(shí)別，該方法在訓(xùn)練時(shí)自動(dòng)生成識(shí)別規(guī)則。（5）基于隨機(jī)場(chǎng)圖像模擬的識(shí)別方法。該方法識(shí)別率高，并且可對(duì)灰度圖像直接提取字符特征，抗干擾性強(qiáng)。另外使用感知器的識(shí)別，通常感知器只用于相似字符對(duì)的識(shí)別，作為其他識(shí)別方法的補(bǔ)充。

4 總結(jié)與展望

從已有車(chē)牌識(shí)別系統(tǒng)的性能分析來(lái)看，正確識(shí)別率和識(shí)別速度兩者難以同時(shí)兼顧。其中原因包括目前的車(chē)牌識(shí)別技術(shù)還不夠成熟，又受到攝像設(shè)備、計(jì)算機(jī)性能的影響。

現(xiàn)代交通飛速發(fā)展，LPR系統(tǒng)的應(yīng)用范圍不斷擴(kuò)寬，對(duì)車(chē)牌識(shí)別系統(tǒng)的性能要求將更高。對(duì)現(xiàn)有的算法優(yōu)化或?qū)ふ易R(shí)別精度高、處理速度快、應(yīng)用于多種場(chǎng)合的算法將是研究的主要任務(wù)。

參考文獻(xiàn)：

[1] 廖金周,宣國(guó)榮.車(chē)輛牌照的自動(dòng)分割[J].微型電腦應(yīng)用,1999(7):32-34.

[2] 劉智勇.車(chē)牌識(shí)別中的圖像提取及分割[J].中文信息文報(bào),2000(3):29-34.

[3] Wu Wei,Mingjun Wang.An Automatic Method of Location for Number_Plate Using Color Features IEEE 2001.

[4] 郭捷,施鵬飛.基于顏色和紋理分析的車(chē)牌定位方法[J].中國(guó)圖像圖形學(xué)報(bào),2002,7(5):473-476.

[5] 章毓晉.圖像工程(上)――圖像處理與分析[M].清華大學(xué)出版社.

第4篇：卷積神經(jīng)網(wǎng)絡(luò)總結(jié)范文

關(guān)鍵詞：辛烷值；快速檢測(cè)方法；氣相色譜法；紅外光譜法；拉曼光譜法

中圖分類(lèi)號(hào)：TB 文獻(xiàn)標(biāo)識(shí)碼：A doi：10.19311/ki.1672-3198.2016.07.092

辛烷值是表征車(chē)用汽油抗爆性的重要指標(biāo)，1926年美國(guó)科學(xué)家埃得將辛烷值引入汽油性能指標(biāo)。汽油在燃燒過(guò)程中，抵抗爆震的能力叫作抗爆性，辛烷值就是表示汽油抗爆性的指標(biāo)。辛烷值越高，其抗爆性能越好，汽油在汽缸中燃燒越充分，燃燒效率越高，尾氣排放中的一氧化碳、碳?xì)浠衔锖吭降?，?duì)環(huán)境的危害相應(yīng)越小。

馬達(dá)法辛烷值和研究法辛烷值是汽油的辛烷值的傳統(tǒng)測(cè)量方法，方法用樣品量大，時(shí)間長(zhǎng)、費(fèi)用高，不適于生產(chǎn)控制的在線測(cè)試。本文對(duì)近幾年出現(xiàn)的幾種辛烷值測(cè)量的快速分析方法進(jìn)行總結(jié)和綜述，介紹相關(guān)方法的應(yīng)用進(jìn)展。

1 拉曼光譜法

拉曼分析方法作為一種光譜檢測(cè)技術(shù)，不僅樣品預(yù)處理簡(jiǎn)單、分析速度快、效率高、重現(xiàn)性好，另外還具有受水分干擾小、樣品無(wú)損、可進(jìn)行微量樣品探測(cè)、檢測(cè)頻帶寬、可快速跟蹤反應(yīng)過(guò)程等特點(diǎn)；即便是非極性基團(tuán)如c=c，c=c等紅外吸收較弱的官能團(tuán)，在拉曼光譜中也可以得到很強(qiáng)的吸收譜帶。因此，特別適合用于對(duì)含碳、氫基團(tuán)較高的汽油樣品的辛烷值檢測(cè)。

康健爽等2010年提出了一種使用拉曼分析測(cè)定汽油辛烷值的方法，并設(shè)計(jì)了辛烷值拉曼光譜在線檢測(cè)系統(tǒng)。這種辛烷值在線監(jiān)控系統(tǒng)能夠?qū)崟r(shí)監(jiān)控乙醇汽油中的組分變化，并給出對(duì)應(yīng)的拉曼分析曲線；根據(jù)光柵型和傅立葉變換型光譜儀各自特點(diǎn)，選用光柵型拉曼光譜儀應(yīng)用于辛烷值在線檢測(cè)。以Lambert-Beer定律為基礎(chǔ)，采用化學(xué)計(jì)量學(xué)方法，將檢測(cè)數(shù)據(jù)和采用標(biāo)準(zhǔn)方法測(cè)得的屬性數(shù)據(jù)之間關(guān)聯(lián)，建立分析模型，在具體算法實(shí)現(xiàn)過(guò)程中，分別采用PCA和PLS兩種方法建立關(guān)聯(lián)分析模型，并用于乙醇汽油辛烷值的快速預(yù)測(cè)，指導(dǎo)實(shí)際調(diào)和過(guò)程。實(shí)踐證明，相對(duì)傳統(tǒng)的檢測(cè)手段，該系統(tǒng)具有測(cè)試速度快、分析時(shí)間短、檢測(cè)費(fèi)用低、經(jīng)濟(jì)效益高等特點(diǎn)。

2 氣相色譜法

李長(zhǎng)秀等2003年建立了一種新方法，該方法將氣相色譜結(jié)果關(guān)聯(lián)建模用以計(jì)算汽油樣品的辛烷值。對(duì)汽油的組成采用高分辨毛細(xì)管柱進(jìn)行測(cè)定，根據(jù)汽油單體烴組分的含量和純組分辛烷值乘積的大小，將單體烴組分分為兩組，每一組為一個(gè)變量，建立實(shí)測(cè)辛烷值與兩個(gè)變量間的回歸模型。實(shí)際分析時(shí)，根據(jù)樣品的類(lèi)型帶入相應(yīng)的模型進(jìn)行關(guān)聯(lián)計(jì)算即可得到樣品的辛烷值。該方法與采用標(biāo)準(zhǔn)方法測(cè)定催化裂化汽油辛烷值的結(jié)果相比，測(cè)定結(jié)果的偏差約0.5個(gè)單位。該方法因?yàn)椴僮飨鄬?duì)簡(jiǎn)單，樣品量耗費(fèi)少，且建模過(guò)程快速、簡(jiǎn)便，適于穩(wěn)定工藝過(guò)程中的汽油辛烷值的在線監(jiān)測(cè)。

于愛(ài)東等采用毛細(xì)管氣相色譜法對(duì)汽油單體烴類(lèi)進(jìn)行分離，用PONA汽油組成軟件對(duì)汽油單體烴進(jìn)行定性、定量、Pona組成計(jì)算.將汽油單體烴分為37組，建立實(shí)測(cè)辛烷值與37個(gè)變量之間的回歸模型，計(jì)算汽油辛烷值。該模型計(jì)算辛烷值與實(shí)測(cè)辛烷值的極差為0.26個(gè)單位，適用辛烷值在88～92之間的油品。辛烷值的計(jì)算公式能夠較好地反映汽油單體烴與辛烷值之間的關(guān)系。方法操作簡(jiǎn)單，樣品用量少，結(jié)果準(zhǔn)確，適合于煉廠蒸餾、催化過(guò)程中汽油辛烷值的實(shí)時(shí)監(jiān)測(cè)。

3 近紅外光譜法

近紅外光譜分析方法是一種間接分析方法，它先利用一組汽油標(biāo)準(zhǔn)樣品，在汽油的近紅外光譜數(shù)據(jù)間和汽油辛烷值建立數(shù)據(jù)關(guān)聯(lián)分析模型，再用該模型預(yù)測(cè)未知汽油樣品的辛烷值。測(cè)量精度除受儀器精度影響外，還受所建分析模型精度影響。

韓言正等介紹了一種自主開(kāi)發(fā)研制的汽油辛烷值近紅外光譜在線分析儀。該分析儀包括近紅外光譜在線測(cè)量、光譜預(yù)處理和實(shí)時(shí)建模等部分。對(duì)于原始的近紅外光譜數(shù)據(jù)，采用多項(xiàng)式卷積算法進(jìn)行光譜平滑、基線校正和標(biāo)準(zhǔn)歸一化；通過(guò)模式分類(lèi)與偏最小二乘進(jìn)行實(shí)時(shí)建模。該分析儀已成功應(yīng)用于某煉油廠生產(chǎn)過(guò)程的辛烷值在線監(jiān)測(cè)。

汽油辛烷值預(yù)測(cè)體系具有非線性的特點(diǎn)，史月華等據(jù)此提出主成分回歸殘差神經(jīng)網(wǎng)絡(luò)校正算法（PCRRANN）用于近紅外測(cè)定汽油辛烷值的預(yù)測(cè)模型校正。該方法結(jié)合了主成分回歸算法（PC），與PLS（PartialLeastSquare），PCR，PLS（NPLS，Non lin-earPLS）等經(jīng)典校正算法相比，預(yù)測(cè)能力有明顯的提高。

第5篇：卷積神經(jīng)網(wǎng)絡(luò)總結(jié)范文

本文結(jié)合計(jì)算機(jī)行業(yè)的發(fā)展，對(duì)計(jì)算機(jī)網(wǎng)絡(luò)云計(jì)算技術(shù)進(jìn)行了分析研究，希望能為計(jì)算機(jī)技術(shù)的進(jìn)步提供一定的理論支持。

一、計(jì)算機(jī)網(wǎng)絡(luò)的云計(jì)算技術(shù)概念

美國(guó)的網(wǎng)絡(luò)公司最早提出計(jì)算機(jī)網(wǎng)絡(luò)云計(jì)算技術(shù)的概念，隨著科學(xué)的進(jìn)步與發(fā)展已經(jīng)逐漸成為了一門(mén)成熟的技術(shù)，有著豐富的理論基礎(chǔ)與實(shí)踐經(jīng)驗(yàn)。現(xiàn)在的“云計(jì)算”技術(shù)是指能將網(wǎng)絡(luò)、硬件、設(shè)備相融合，同時(shí)實(shí)現(xiàn)規(guī)模性、安全性、虛擬性的技術(shù)。目前來(lái)看，對(duì)計(jì)算機(jī)網(wǎng)絡(luò)云計(jì)算的定義還沒(méi)有統(tǒng)一的趨勢(shì)，每一名研究人員都有自己的研究與看法，通過(guò)研究與分析，本文對(duì)云計(jì)算的觀點(diǎn)是：首先，每一個(gè)“云”都是獨(dú)立的計(jì)算機(jī)分布體系，基于網(wǎng)絡(luò)化、虛擬化的計(jì)算機(jī)服務(wù)層，與計(jì)算機(jī)中的資源保持一定的節(jié)奏，實(shí)現(xiàn)計(jì)算機(jī)資源的同步。其次，計(jì)算機(jī)網(wǎng)絡(luò)云是一個(gè)綜合體，并非是獨(dú)立的，計(jì)算機(jī)軟件的開(kāi)發(fā)中離不開(kāi)云計(jì)算的環(huán)節(jié)，其重點(diǎn)就是網(wǎng)絡(luò)云計(jì)算特征的研究。對(duì)于計(jì)算機(jī)網(wǎng)絡(luò)的使用者來(lái)說(shuō)，計(jì)算機(jī)集成軟件層面，能被接受與理解的就是云計(jì)算，在本文重點(diǎn)突出的就是云計(jì)算的屬性。最后，計(jì)算機(jī)網(wǎng)絡(luò)的使用者沒(méi)有進(jìn)行長(zhǎng)期的規(guī)劃后使用，很容易出現(xiàn)浪費(fèi)現(xiàn)象，目前的云計(jì)算技術(shù)可以實(shí)現(xiàn)分或秒內(nèi)的數(shù)據(jù)計(jì)算，可以很好地避免資源過(guò)載或資源浪費(fèi)現(xiàn)象。

通過(guò)研究可以看出，計(jì)算機(jī)網(wǎng)絡(luò)云計(jì)算技術(shù)可以定義成計(jì)算機(jī)網(wǎng)絡(luò)中進(jìn)行的某種服務(wù)形式，其中相關(guān)的硬件設(shè)施與軟件系統(tǒng)統(tǒng)稱為計(jì)算機(jī)網(wǎng)絡(luò)云計(jì)算。定義中包括網(wǎng)絡(luò)計(jì)算機(jī)、超級(jí)計(jì)算機(jī)、集成技術(shù)等，相關(guān)的技術(shù)既有區(qū)別又有聯(lián)系。計(jì)算機(jī)網(wǎng)絡(luò)云計(jì)算技術(shù)的原理是：大量的數(shù)據(jù)分布于分布式計(jì)算機(jī)中，同時(shí)保證用戶的數(shù)據(jù)系統(tǒng)與計(jì)算機(jī)同步運(yùn)行，進(jìn)而實(shí)現(xiàn)及時(shí)將需要的資源切換到相應(yīng)的應(yīng)用中，根據(jù)使用者的訪問(wèn)需求進(jìn)行存儲(chǔ)系統(tǒng)與計(jì)算機(jī)系統(tǒng)的定位。計(jì)算機(jī)網(wǎng)絡(luò)云計(jì)算技術(shù)可以基于用戶服務(wù)需求及時(shí)提供所需的網(wǎng)絡(luò)信息資源。計(jì)算機(jī)網(wǎng)絡(luò)云計(jì)算技術(shù)適應(yīng)性強(qiáng)，彈性好，專業(yè)技術(shù)性高，發(fā)展前景十分好，應(yīng)用越來(lái)越廣泛。

二、計(jì)算機(jī)網(wǎng)絡(luò)云計(jì)算技術(shù)的分類(lèi)

基于多樣化的標(biāo)準(zhǔn)，計(jì)算機(jī)云計(jì)算的分類(lèi)也有多種方式。比較常見(jiàn)的是：根據(jù)服務(wù)方式的不同，云計(jì)算可以分為私有云和公有云。私有云是根據(jù)用戶的自身情況進(jìn)行獨(dú)立使用，同時(shí)建立平臺(tái)，操作性與實(shí)用性十分好。公有云是ζ淥用戶的資源進(jìn)行開(kāi)發(fā)利用。在選擇私有云與公有云時(shí)，應(yīng)該考慮的主要因素是：

1.服務(wù)的延續(xù)性

大部分情況下，公有云提供的服務(wù)容易受外界影響，如網(wǎng)絡(luò)故障等情況，而私有云則不會(huì)出現(xiàn)這種問(wèn)題。

2.數(shù)據(jù)安全性

如果對(duì)于穩(wěn)定性與安全性不存在過(guò)高要求，則比較適合使用公有云。

3.綜合使用成本

通常狀況下，如果對(duì)于計(jì)算資源要求不高可以選用公有云，如果對(duì)于計(jì)算資源要求較高則比較適合建立自己的私有云平臺(tái)。

4.監(jiān)控能力

公有云可以將使用用戶對(duì)系統(tǒng)的監(jiān)控能力屏蔽起來(lái)，這對(duì)于金融保險(xiǎn)投資行業(yè)是十分有必要的。

三、計(jì)算機(jī)網(wǎng)絡(luò)云計(jì)算技術(shù)的實(shí)現(xiàn)

為了將計(jì)算機(jī)系統(tǒng)的系統(tǒng)處理過(guò)程進(jìn)行簡(jiǎn)化，通常將該過(guò)程劃分為預(yù)處理過(guò)程與功能實(shí)現(xiàn)過(guò)程兩大部分。對(duì)系統(tǒng)的各項(xiàng)功能進(jìn)行分解，得到一些不需要進(jìn)行功能實(shí)現(xiàn)過(guò)程與預(yù)處理過(guò)程的功能。對(duì)于可以進(jìn)行預(yù)先處理過(guò)程的功能通常是一次性處理，在執(zhí)行過(guò)程中，可以將預(yù)處理過(guò)程得到的結(jié)果直接使用，以此完成特點(diǎn)的系統(tǒng)功能。該方法與原則的采用，極大地簡(jiǎn)化了系統(tǒng)，大幅度提高了系統(tǒng)運(yùn)行效率。計(jì)算的云化中的系統(tǒng)就是計(jì)算云化系統(tǒng)，它的計(jì)算量十分巨大，系統(tǒng)計(jì)算運(yùn)行效率極高。但因?yàn)橛?jì)算云化系統(tǒng)為一次處理系統(tǒng)，只要計(jì)算云規(guī)則生成，計(jì)算云化系統(tǒng)的使命與任務(wù)也就完成，而不是在對(duì)計(jì)算機(jī)加以應(yīng)用時(shí)需要該系統(tǒng)。通常在計(jì)算機(jī)網(wǎng)絡(luò)云計(jì)算中形成的系統(tǒng)就是云計(jì)算系統(tǒng)，是一個(gè)十分簡(jiǎn)單的系統(tǒng)，對(duì)計(jì)算機(jī)的處理能力沒(méi)有過(guò)高要求，同時(shí)應(yīng)用于各類(lèi)計(jì)算機(jī)系統(tǒng)計(jì)算中。

四、計(jì)算機(jī)網(wǎng)絡(luò)云計(jì)算的計(jì)算與優(yōu)勢(shì)

建立計(jì)算機(jī)網(wǎng)絡(luò)云計(jì)算過(guò)程的第一步是服務(wù)器架構(gòu)的建立，其對(duì)計(jì)算機(jī)網(wǎng)絡(luò)云計(jì)算技術(shù)中的IAAS部分進(jìn)行充當(dāng)。目前來(lái)看，仍沒(méi)有關(guān)于網(wǎng)絡(luò)云計(jì)算服務(wù)器架構(gòu)的專門(mén)、統(tǒng)一的標(biāo)準(zhǔn)出現(xiàn)，這需要一定的相關(guān)技術(shù)進(jìn)行支持，例如計(jì)算區(qū)域網(wǎng)SAN和附網(wǎng)NAS等，這都是應(yīng)用比較多的服務(wù)器架構(gòu)技術(shù)。NAS文件計(jì)算系統(tǒng)是松散結(jié)構(gòu)型的集群，它的架構(gòu)有很明顯的分布式特征。NAS文件系統(tǒng)集群中的各個(gè)節(jié)點(diǎn)具有互補(bǔ)與相互影響的特點(diǎn)，文件是最小的單位，因?yàn)橹灰诩捍鎯?chǔ)文件就可以計(jì)算出文件的數(shù)據(jù)信息，直接減少了很多計(jì)算的冗余性。它的拓展性很高，同時(shí)成本較低，安全控制系統(tǒng)安全穩(wěn)定。如果客戶發(fā)出過(guò)多的請(qǐng)求，NAS系統(tǒng)的限制就表現(xiàn)出來(lái)，二級(jí)計(jì)算就可以通過(guò)NAS的云服務(wù)完成。

SAN是一種緊密結(jié)合類(lèi)型的集群，在集群中存儲(chǔ)文件之后，可以分解成很多個(gè)數(shù)據(jù)塊。相比于集群之中的節(jié)點(diǎn)，各數(shù)據(jù)塊之間能夠進(jìn)行相互訪問(wèn)。節(jié)點(diǎn)可以借助于訪問(wèn)文件間的數(shù)據(jù)塊針對(duì)客戶的請(qǐng)求進(jìn)行處理。SAN系統(tǒng)之中可以通過(guò)節(jié)點(diǎn)數(shù)量增減來(lái)響應(yīng)請(qǐng)求，同時(shí)提升界定本身的性能。為了能夠?qū)⒁許AN為基礎(chǔ)的OBS發(fā)展起來(lái)，就需要更好的性能與更低的成本。而SAN計(jì)算建構(gòu)的硬件價(jià)格十分高，同時(shí)依托于SAN的服務(wù)價(jià)格，因此可以適當(dāng)?shù)亟档鸵幌滦阅埽ＷC更好的性能與更低的成本。

五、實(shí)例――基于谷歌云計(jì)算技術(shù)的AlphaGo亮點(diǎn)分析

AlphaGo通過(guò)谷歌云計(jì)算技術(shù)，擁有與人類(lèi)棋手類(lèi)似的“棋感”，其技術(shù)遠(yuǎn)勝于1997年IBM公司研制的超級(jí)電腦“深藍(lán)”?！吧钏{(lán)”面對(duì)的是相對(duì)圍棋簡(jiǎn)單多的國(guó)際象棋，設(shè)計(jì)理念為根據(jù)棋局情況不斷演算各種可能的步驟，最終從各種步驟中選定走棋方案。AlphaGo背后的云計(jì)算技術(shù)，可以讓AlphaGo無(wú)需“暴力”分析演算所有步驟，只需要把運(yùn)算能力都集中在“棋感策略”網(wǎng)絡(luò)中最有可能的情況上。其背后的深層算法，具備三大亮點(diǎn)：（1）深度卷積神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)技術(shù)：“棋感策略”網(wǎng)絡(luò)的本質(zhì)學(xué)習(xí)人類(lèi)圍棋大師走法思維。AlphaGo藉此擁有強(qiáng)大的盤(pán)面評(píng)估能力。（2）增強(qiáng)學(xué)習(xí)算法技術(shù)：此算法可通過(guò)自我對(duì)弈來(lái)持續(xù)提升AlhpaGo的棋感策略和盤(pán)面評(píng)估能力，并且給出落子選擇。（3）蒙特卡洛搜索技術(shù)：“評(píng)價(jià)網(wǎng)絡(luò)”的核心，可以融合棋感策略和盤(pán)面評(píng)估能力，修正落子選擇而最終給出落子方案。

六、計(jì)算機(jī)網(wǎng)絡(luò)云計(jì)算技術(shù)發(fā)展遇到的問(wèn)題

在目前計(jì)算機(jī)網(wǎng)絡(luò)云計(jì)算技術(shù)廣泛地運(yùn)用到各個(gè)領(lǐng)域的過(guò)程中，云計(jì)算技術(shù)也存在一些缺陷與不足還需要引起我們的重視，同時(shí)在云計(jì)算的應(yīng)用過(guò)程中應(yīng)采用足夠的措施來(lái)對(duì)數(shù)據(jù)信息的安全性進(jìn)行可靠的保障，這是計(jì)算機(jī)網(wǎng)絡(luò)云計(jì)算技術(shù)發(fā)展過(guò)程中十分重要的一項(xiàng)課題?，F(xiàn)在的大部分云端是通過(guò)瀏覽器進(jìn)行接入的，瀏覽器是計(jì)算機(jī)系統(tǒng)中非常薄弱的地方，存在著很多的缺陷與漏洞，因此用戶的云端接入瀏覽器時(shí)，用戶證書(shū)與認(rèn)證密鑰特別容易因?yàn)闉g覽器漏洞而產(chǎn)生泄密。同時(shí)由于不同的應(yīng)用都需要在云端中進(jìn)行認(rèn)證，這就需要保證認(rèn)證機(jī)制的高效性與安全性。在應(yīng)用服務(wù)層之中，應(yīng)該采取安全有效的措施來(lái)保護(hù)用書(shū)的隱私安全，在基礎(chǔ)設(shè)施層中要采取安全可靠的方法保C數(shù)據(jù)的安全性。

七、采取措施保障網(wǎng)民數(shù)據(jù)安全

如果數(shù)據(jù)的安全不能得到保障，就會(huì)對(duì)云計(jì)算的發(fā)展產(chǎn)生不利影響，所以為了能夠保障網(wǎng)民數(shù)據(jù)的安全。就需要采取切實(shí)可行的手段來(lái)保證數(shù)據(jù)的安全性。

1.隔離操作系統(tǒng)與數(shù)據(jù)

為了能夠切實(shí)有效地保障網(wǎng)民信息的安全，就需要充分使用Hypervisor，從而將網(wǎng)民的操作系統(tǒng)與數(shù)據(jù)資源隔離起來(lái)，從而有效地保證了計(jì)算資源的安全性，避免了網(wǎng)民操作系統(tǒng)所帶來(lái)的可能的不利影響。

2.重置API保護(hù)層

服務(wù)商提供給用戶API，用戶根據(jù)需要進(jìn)行應(yīng)用。但同時(shí)第三方也有可能對(duì)這些API進(jìn)行使用。為了保證數(shù)據(jù)的安全性，就需要你安裝API保護(hù)層，重疊保護(hù)API。

3.嚴(yán)格身份認(rèn)證

服務(wù)商應(yīng)嚴(yán)格的執(zhí)行身份認(rèn)證，防范冒充網(wǎng)民身份的行為，加強(qiáng)對(duì)賬號(hào)與密碼的管理控制，確保網(wǎng)民只訪問(wèn)自己的程序與數(shù)據(jù)，從而保證數(shù)據(jù)資源的安全性。

第6篇：卷積神經(jīng)網(wǎng)絡(luò)總結(jié)范文

關(guān)鍵詞：視覺(jué)識(shí)別技術(shù)；電氣自動(dòng)化；機(jī)器視覺(jué)系統(tǒng)

視覺(jué)識(shí)別技術(shù)在工業(yè)電氣自動(dòng)化控制中的運(yùn)用由機(jī)器視覺(jué)系統(tǒng)實(shí)現(xiàn)，根據(jù)工業(yè)生產(chǎn)需求，應(yīng)用機(jī)器視覺(jué)系統(tǒng)替代生產(chǎn)人員，在非接觸的情況下完成測(cè)量，非常適用于生產(chǎn)環(huán)境危險(xiǎn)性較高的鋼鐵工業(yè)領(lǐng)域。鋼鐵企業(yè)應(yīng)從自身生產(chǎn)流程入手，在合適環(huán)節(jié)引進(jìn)機(jī)器視覺(jué)系統(tǒng)，發(fā)揮視覺(jué)識(shí)別技術(shù)優(yōu)勢(shì)，創(chuàng)造更高收益。

1.視覺(jué)識(shí)別技術(shù)特點(diǎn)

1.1視覺(jué)識(shí)別技術(shù)的原理

視覺(jué)識(shí)別技術(shù)，是通過(guò)計(jì)算機(jī)技術(shù)模擬人的視覺(jué)，采集觀察對(duì)象的信息，實(shí)現(xiàn)觀察對(duì)象的準(zhǔn)確識(shí)別與判斷，再根據(jù)識(shí)別判斷結(jié)果實(shí)施智能控制操作。機(jī)器視覺(jué)系統(tǒng)以光學(xué)檢測(cè)原理為基礎(chǔ)，通過(guò)相機(jī)采集觀察對(duì)象的圖像，將圖像信息以2D或3D圖像信號(hào)形式傳輸至圖像處理系統(tǒng)，圖像處理系統(tǒng)從圖像的像素、亮度、顏色等因素入手，抽取觀察對(duì)象的圖像特征；再利用系統(tǒng)配置的算法與觀察對(duì)象的工藝生產(chǎn)流程、標(biāo)準(zhǔn)參數(shù)，如檢測(cè)觀察對(duì)象偏移量、彎曲度，計(jì)量觀察對(duì)象的個(gè)數(shù)，評(píng)估觀察對(duì)象是否合格等；最后由控制系統(tǒng)根據(jù)視覺(jué)識(shí)別結(jié)果與傳感器檢測(cè)結(jié)果，發(fā)出控制指令，使生產(chǎn)設(shè)備表現(xiàn)出相應(yīng)動(dòng)作，完成觀察對(duì)象的智能控制。

1.2視覺(jué)識(shí)別技術(shù)的優(yōu)勢(shì)

在工業(yè)電氣自動(dòng)化控制領(lǐng)域，基于視覺(jué)識(shí)別技術(shù)的機(jī)器視覺(jué)系統(tǒng)具有如下優(yōu)勢(shì)：①機(jī)器視覺(jué)系統(tǒng)可在不接觸的情況下完成各項(xiàng)識(shí)別與檢測(cè)工作，延長(zhǎng)檢測(cè)設(shè)備使用壽命，降低生產(chǎn)成本；②機(jī)器視覺(jué)系統(tǒng)的運(yùn)用，可省略人為檢測(cè)環(huán)節(jié)，減輕工作人員負(fù)擔(dān)，規(guī)避惡劣生產(chǎn)環(huán)境下的安全風(fēng)險(xiǎn)，還可規(guī)避人為因素對(duì)生產(chǎn)的影響，提高識(shí)別與檢測(cè)質(zhì)量，降低人工成本；同時(shí)，設(shè)備使用壽命長(zhǎng)；③視覺(jué)識(shí)別技術(shù)的框架固定通過(guò)計(jì)算機(jī)系統(tǒng)程序和算法實(shí)現(xiàn)自動(dòng)化控制，具備移植性，可在不同生產(chǎn)領(lǐng)域推廣普及；④視覺(jué)識(shí)別技術(shù)的應(yīng)用可有效提升工業(yè)電氣自動(dòng)化控制的智能化水平，使企業(yè)獲得更高的實(shí)質(zhì)性收益，有助于企業(yè)高質(zhì)量發(fā)展。

2.視覺(jué)識(shí)別技術(shù)在工業(yè)電氣自動(dòng)化控制中的運(yùn)用方式

視覺(jué)識(shí)別技術(shù)在工業(yè)電氣自動(dòng)化控制中的運(yùn)用體現(xiàn)在生產(chǎn)識(shí)別與生產(chǎn)檢測(cè)兩個(gè)領(lǐng)域。本文結(jié)合鋼鐵集團(tuán)企業(yè)的生產(chǎn)實(shí)踐，總結(jié)視覺(jué)識(shí)別技術(shù)的實(shí)踐運(yùn)用方式，為企業(yè)落實(shí)視覺(jué)識(shí)別技術(shù)、發(fā)揮視覺(jué)識(shí)別技術(shù)優(yōu)勢(shì)提供有益探索。

2.1用于生產(chǎn)識(shí)別領(lǐng)域

在生產(chǎn)領(lǐng)域，需識(shí)別控制的內(nèi)容涉及生產(chǎn)全過(guò)程，技術(shù)人員應(yīng)根據(jù)鋼鐵企業(yè)生產(chǎn)特點(diǎn)，分析生產(chǎn)識(shí)別需求，配置相關(guān)的視覺(jué)識(shí)別設(shè)備，實(shí)現(xiàn)智能化視覺(jué)識(shí)別，為工業(yè)電氣自動(dòng)化控制提供便利。在鋼鐵集團(tuán)企業(yè)的生產(chǎn)準(zhǔn)備環(huán)節(jié)，需進(jìn)行原材料識(shí)別；在生產(chǎn)過(guò)程中，需進(jìn)行設(shè)備識(shí)別；在產(chǎn)品生產(chǎn)后，需進(jìn)行缺陷識(shí)別，精準(zhǔn)控制產(chǎn)品生產(chǎn)全過(guò)程，以提高工業(yè)電氣自動(dòng)化控制效果。2.1.1識(shí)別原材料用量視覺(jué)識(shí)別技術(shù)可通過(guò)圖像分析，統(tǒng)計(jì)原材料的數(shù)量，分析其是否滿足生產(chǎn)要求，實(shí)現(xiàn)原材料供給環(huán)節(jié)的電氣自動(dòng)化控制。以鋼鐵集團(tuán)企業(yè)生產(chǎn)的軋鋼加熱爐生產(chǎn)為例，該設(shè)備負(fù)責(zé)加熱鋼坯，將鋼坯的溫度提升至軋制要求，并使鋼坯內(nèi)部溫度分布符合生產(chǎn)要求。在軋鋼加熱爐生產(chǎn)時(shí)，配置專用加熱爐上料裝置實(shí)施鋼坯運(yùn)輸，該裝置包括上料臺(tái)架、擋鋼鉤、撥鋼叉、輸送輥道等構(gòu)建，具體上料流程如下：控制吊車(chē)逐一吊放鋼坯，要求鋼坯在上料臺(tái)架上排列有序；再利用步進(jìn)驅(qū)動(dòng)裝置與加熱爐上料裝置的擋鋼鉤，逐一將鋼坯轉(zhuǎn)移至撥鋼叉區(qū)域，要求轉(zhuǎn)移頻率與加熱爐生產(chǎn)節(jié)奏保持一致；撥鋼叉負(fù)責(zé)將接收的鋼坯運(yùn)輸至輸送輥道上方；最后由輥道將鋼坯轉(zhuǎn)移到加熱爐內(nèi)，實(shí)現(xiàn)加熱處理。在傳統(tǒng)識(shí)別工作中，通常在輸送輥道兩側(cè)配置金屬檢測(cè)元件，檢測(cè)鋼坯在輸送輥道上的運(yùn)輸狀態(tài)，控制鋼坯自動(dòng)從輸送輥道轉(zhuǎn)移至加熱爐內(nèi)。但在輸送輥道前的運(yùn)輸環(huán)節(jié)，均由工作人員用人眼識(shí)別鋼坯的位置、分析撥鋼叉的運(yùn)行狀態(tài)，并通過(guò)工作人員的手動(dòng)操作，控制上料臺(tái)架驅(qū)動(dòng)裝置。如果運(yùn)輸?shù)匿撆鳒囟容^高，需工作人員實(shí)施擠坯操作，確保相鄰鋼坯間規(guī)范有序排列，避免鋼坯出現(xiàn)變形。人工視覺(jué)識(shí)別過(guò)程枯燥，操作單一，易使工作人員產(chǎn)生視覺(jué)疲勞和操作疲勞，出現(xiàn)識(shí)別偏差或操作誤差，影響生產(chǎn)質(zhì)量。針對(duì)人工識(shí)別問(wèn)題，鋼鐵集團(tuán)企業(yè)基于視覺(jué)識(shí)別技術(shù)和定位技術(shù)，開(kāi)發(fā)專用機(jī)器視覺(jué)系統(tǒng)，與工業(yè)電氣自動(dòng)化控制系統(tǒng)配合應(yīng)用，共同構(gòu)建智能加熱爐上料系統(tǒng)。在實(shí)際運(yùn)用中，技術(shù)人員應(yīng)在上料臺(tái)架部位安裝高清攝像機(jī)，從多角度采集鋼坯的圖像，通過(guò)視覺(jué)識(shí)別技術(shù)了解鋼坯狀態(tài)，結(jié)合定位技術(shù)確定鋼坯具置，并在工業(yè)電氣自動(dòng)化控制系統(tǒng)中引進(jìn)人工智能技術(shù)，通過(guò)機(jī)器學(xué)習(xí)，模擬工作人員的上料臺(tái)架驅(qū)動(dòng)裝置控制操作，準(zhǔn)確控制撥鋼叉等設(shè)備，提高鋼坯運(yùn)輸控制的智能化水平，發(fā)揮視覺(jué)識(shí)別技術(shù)作用。在鋼鐵企業(yè)生產(chǎn)中，基于視覺(jué)識(shí)別技術(shù)的加熱爐上料系統(tǒng)，適用于推鋼式、臺(tái)架式等多種類(lèi)型的加熱爐，可在生產(chǎn)中推廣普及。2.1.2識(shí)別設(shè)備位置在鋼鐵企業(yè)生產(chǎn)中，部分環(huán)節(jié)需轉(zhuǎn)移設(shè)備構(gòu)件，設(shè)備構(gòu)件位置的準(zhǔn)確性直接影響生產(chǎn)效益。以加熱爐加熱鋼坯環(huán)節(jié)為例，在鋼坯上料過(guò)程中，需使用吊車(chē)運(yùn)輸鋼坯材料，要求臺(tái)架在吊車(chē)上料時(shí)暫停步進(jìn)，避免吊車(chē)運(yùn)行沖擊臺(tái)架。為保護(hù)臺(tái)架，需進(jìn)行吊車(chē)位置的識(shí)別操作，傳統(tǒng)生產(chǎn)工藝中由操作人員目視吊車(chē)的位置，手動(dòng)操作臺(tái)架步進(jìn)，易出現(xiàn)目視偏差、操作失誤的問(wèn)題?；谝曈X(jué)識(shí)別技術(shù)的機(jī)器視覺(jué)系統(tǒng)，可采集吊車(chē)生產(chǎn)運(yùn)行時(shí)的圖像，利用機(jī)器視覺(jué)系統(tǒng)內(nèi)置算法，準(zhǔn)確定位吊車(chē)的具置，在吊具靠近臺(tái)架時(shí)，向控制系統(tǒng)發(fā)送指令，再由控制系統(tǒng)控制臺(tái)架停止步進(jìn)，實(shí)現(xiàn)臺(tái)架的智能化控制，既可簡(jiǎn)化生產(chǎn)操作，也可提高生產(chǎn)效率，延長(zhǎng)設(shè)備使用壽命。2.1.3識(shí)別損壞產(chǎn)品在鋼鐵企業(yè)生產(chǎn)中，損壞原材料和損壞成品的識(shí)別是工作重點(diǎn)。傳統(tǒng)生產(chǎn)中，由生產(chǎn)人員目視觀察原材料和成品是否存在明顯缺陷，極易出現(xiàn)檢測(cè)偏差。雖然部分企業(yè)引進(jìn)智能檢測(cè)設(shè)備，通過(guò)傳感器檢測(cè)原材料及成品結(jié)構(gòu)，但還存在檢測(cè)遺漏的問(wèn)題。技術(shù)人員可引進(jìn)視覺(jué)識(shí)別技術(shù)，將圖像分析結(jié)果與機(jī)器學(xué)習(xí)配合應(yīng)用，精準(zhǔn)定位原材料或產(chǎn)品缺陷，保障生產(chǎn)質(zhì)量。例如，在某鋼鐵企業(yè)的鋼坯缺陷識(shí)別中，技術(shù)人員將視覺(jué)識(shí)別技術(shù)與大數(shù)據(jù)深度學(xué)習(xí)算法配合應(yīng)用，利用圖像分析結(jié)果，準(zhǔn)確計(jì)算鋼坯的彎曲率，并將計(jì)算結(jié)果與標(biāo)準(zhǔn)數(shù)值對(duì)比，分析彎曲率不合格的鋼坯，實(shí)現(xiàn)智能化、自動(dòng)化生產(chǎn)控制。

2.2用于生產(chǎn)檢測(cè)領(lǐng)域

在鋼鐵企業(yè)生產(chǎn)中，檢測(cè)內(nèi)容包括材料質(zhì)量、產(chǎn)品質(zhì)量、設(shè)備運(yùn)行狀況等，產(chǎn)品質(zhì)量檢測(cè)可由缺陷識(shí)別環(huán)節(jié)完成，設(shè)備運(yùn)行狀況的檢測(cè)通過(guò)檢測(cè)設(shè)備參數(shù)來(lái)實(shí)現(xiàn)。在鋼鐵集團(tuán)企業(yè)中，技術(shù)人員可利用視覺(jué)識(shí)別技術(shù)進(jìn)行材料質(zhì)量檢測(cè)與設(shè)備參數(shù)檢測(cè)，再根據(jù)檢測(cè)結(jié)果實(shí)現(xiàn)材料與設(shè)備的自動(dòng)化控制。2.2.1材料質(zhì)量檢測(cè)在鋼鐵企業(yè)生產(chǎn)中，部分原材料需在使用前進(jìn)行表面質(zhì)量檢測(cè)，為解決人工檢測(cè)的缺陷，技術(shù)人員可通過(guò)視覺(jué)識(shí)別技術(shù)實(shí)施材料表面質(zhì)量的在線檢測(cè)，并根據(jù)在線檢測(cè)結(jié)果，為電氣自動(dòng)化控制提供參考，控制生產(chǎn)設(shè)備的操作，避免不合格材料用于生產(chǎn)實(shí)踐。例如，針對(duì)帶鋼檢測(cè)需求，技術(shù)人員通過(guò)高速相機(jī)拍攝處于運(yùn)動(dòng)狀態(tài)的帶鋼表面圖像，再通過(guò)動(dòng)態(tài)閾值分割算法分析帶鋼表面圖像，提取圖像特征，通過(guò)特征提取算法分析帶鋼是否存在缺陷，并將帶鋼缺陷圖像進(jìn)行整合，構(gòu)建帶鋼缺陷分類(lèi)庫(kù)。在帶鋼缺陷分類(lèi)庫(kù)的信息達(dá)到一定層級(jí)后，實(shí)施卷積神經(jīng)網(wǎng)絡(luò)訓(xùn)練，對(duì)帶鋼缺陷進(jìn)行分級(jí)。在實(shí)際生產(chǎn)中，機(jī)器視覺(jué)系統(tǒng)可在檢測(cè)帶鋼缺陷的同時(shí)，對(duì)存在缺陷的帶鋼進(jìn)行分類(lèi)，實(shí)現(xiàn)材料質(zhì)量的科學(xué)管控。2.2.2設(shè)備參數(shù)檢測(cè)在鋼鐵企業(yè)生產(chǎn)中，設(shè)備參數(shù)是安全可靠生產(chǎn)的關(guān)鍵要素，設(shè)備參數(shù)檢測(cè)方法相對(duì)多樣，視覺(jué)識(shí)別技術(shù)是設(shè)備參數(shù)檢測(cè)的新方法，適用于液位檢測(cè)等可用肉眼觀察的參數(shù)檢測(cè)。例如，在電渣連鑄工藝中，技術(shù)人員可用視覺(jué)識(shí)別技術(shù)進(jìn)行結(jié)晶器液位檢測(cè)，與工業(yè)電氣自動(dòng)化控制系統(tǒng)配合應(yīng)用，確保液位處于標(biāo)準(zhǔn)范圍，保障電渣錠生產(chǎn)質(zhì)量?？紤]到液面分解的可測(cè)性、測(cè)量誤差及干擾因素等影響，技術(shù)人員在采集液面圖像的基礎(chǔ)上，通過(guò)濾光片對(duì)結(jié)晶器液位圖像進(jìn)行濾光處理，分析濾光處理后的圖像灰度值、像素等參數(shù)，準(zhǔn)確定位結(jié)晶器液位；為保障測(cè)量精度，選擇500萬(wàn)像素的相機(jī)，其測(cè)量液位范圍為0~290mm，并在檢測(cè)前通過(guò)標(biāo)定分析液位和圖像高度的關(guān)系，避免測(cè)量誤差的出現(xiàn)；為避免鋼鐵企業(yè)高溫高壓生產(chǎn)環(huán)境的影響，技術(shù)人員在距離結(jié)晶器1.5m的位置實(shí)施檢測(cè)，確保相機(jī)在此溫度環(huán)境下能夠正常運(yùn)行，并為相機(jī)配置密封機(jī)箱，避免濕度或灰塵影響圖像采集效果，必要時(shí)可在結(jié)晶器口設(shè)置抽氣裝置，避免生產(chǎn)產(chǎn)生的煙霧影響圖像清晰度。在實(shí)際生產(chǎn)中，視覺(jué)識(shí)別技術(shù)可精準(zhǔn)獲取結(jié)晶器液位，在液位超標(biāo)時(shí)報(bào)警，由工業(yè)電氣自動(dòng)化控制系統(tǒng)進(jìn)行處理，實(shí)現(xiàn)智能化生產(chǎn)。

3.結(jié)語(yǔ)