论文部分内容阅读
织物组织识别技术发展到今天,还没有广泛的投入到实际应用中。这个技术的难点主要体现在组织结构的多样性以及噪声的复杂性。组织结构的多样性这点难以改变,完全剔除所有噪声也存在较大的困难。并且到目前,国际上只能对三类基本组织进行有效识别,对复杂组织的识别率还比较低。在这种背景下提出了应用具有高抗噪声能力的嗅觉神经网络对织物组织进行识别研究。本文首先对嗅觉神经网络进行了系统的研究,通过实验数据分析,提出了改进的嗅觉神经网络。然后对织物组织的预处理方法进行了实验对比,并提出了改进的方案,最后利用改进后的8通道KIII模型嗅觉神经网络对织物组织进行识别。(1)分别对K0、KI、KII的数学模型进行了深入的实验分析,并得出K0模型(PG层)在不同激励情况下达到稳定所需时长是收敛于一个常数的;分析了两种KI模型的详细的输入输出特性;对在不同输入电压、不同输入激励时长下KII模型(OB层)的输入输出特性也进行了详细分析。(2)对KIII的数学模型进行了深入实验分析,通过实验数据证实了过去学者的实验方法的一些不妥之处,并对训练方法和输入值的处理上进行了改进,提高了整个KIII模型嗅觉神经网络的识别率。(3)实验对比织物组织图像经过预处理后的识别效果,并根据实验效果提出了新的提取组织点的方法。使对斜纹组织的识别率得到较大的提高。(4)对复杂变化组织的识别进行了研究,提出了最小循环周期内进行间隔抽样的方法,识别率较以往的方法有较大提高。以上实验都是在VC2005平台下进行开发的,所有开发源码可以直接应用于实际生产中,本论文提出的改进型8通道KIII模型嗅觉神经网络对织物组织的识别有较理想的效果。对复杂变化组织的识别率较以往也有较大提高。