国际创新研究期刊》的研究在科学、工程和技术
菜单ISSN在线(2319 - 8753)打印(2347 - 6710)
ISSN在线(2319 - 8753)打印(2347 - 6710)
Valmik Gholap V.S. Dhongde教授
|
| 相关文章Pubmed,谷歌学者 |
访问更多的相关文章国际创新研究期刊》的研究在科学、工程和技术
硬币是用于我们的日常生活中。硬币识别成为一个基本需要硬币将被自动分类和统计。在本文中,我们将实现基于神经网络的硬币识别系统,我们也使用图像旋转不变性的图像减法的方法。
关键字 |
| 神经网络,硬币识别,图像减法 |
介绍 |
| 我们使用硬币到处都在我们的日常生活几乎就像在银行、市场等。硬币是我们日常生活的组成部分。今天的世界需要更准确和高效的自动硬币识别系统。本文提出一个硬币识别的神经网络[8]和使用图像减法与旋转不变性技术[9]。硬币可以测试使用它的大小、形状、重量、材料。图像减法技术需要两个图像作为输入,并给第三个图像作为输出,其像素值只是第一图像的像素值减去相应的第二图像的像素值。的人工神经网络模型模拟生物神经元网络,正在积极用于执行模式识别。 |
 |
| 1997年Minoru Fukumi等。[1]提出了一种旋转不变的神经为硬币识别模式识别系统。 |
| 保罗Davidsson[2]在1996年提出了一个硬币分类方法使用决策树学习特点通过控制程度的概括。 |
| p . Thumwarin等。[3]弧Seibersdorf研究中心在2006年开发了一个硬币识别。这个系统是设计用来快速大量的现代分类30个不同国家的硬币。硬币分类是通过关联硬币的边缘图像与预先确定的子集大师硬币硬币,发现主与最低的距离。Pre -选择主硬币是基于三个旋转不变特征(边缘角分布、边距分布,出现不同的旋转不变的模式在圆圈中心边缘像素),硬币直径和厚度。 |
| 在2011年[9]Vaibhav古普塔等人提出了一种方法基于图像减法技术承认印度的硬币。在这种方法中系统执行3检查(半径,粗和细)输入硬币图像。首先半径计算输入图像。然后基于半径的测试图像(在某些固定的角度旋转)从数据库被选中。然后粗图像减法对象和测试图像之间就完成了。然后,最小值的合成图像检查如果是小于指定阈值之间的精细图像减法对象和测试图像完成否则新的测试图像被选中。然后基于精细图像减法,识别 |
| 提出了系统 |
| 旋转不变图像减法技术 |
| 提出了系统的第二块图像减法技术 |
| 1)图像处理 |
| 2)半径计算 |
| 3)课程减法和减法 |
| 4)比较和硬币识别 |
 |
| 一)图像处理 |
| 在图像处理的图像采集和图像分割过程完成的硬币识别。相机有良好的分辨率是用于捕获的图像。相机拍摄的图像,图像后给分割这意味着分离的硬币图像的背景图片。 |
| 图像分割的过程是首先将图像转换为灰度图像使用以下方程1 |
| 灰色= (0.333 * r + 0.333 * g + 0.333 * b) (1) |
| 在图像处理后的灰度图像的二进制图像。 |
| b)半径计算: |
| 直径是发现通过最大和最小的区别二进制映像的白色像素的位置。所有的印度硬币有不同的半径。 |
| c)粗减 |
| 给出的测试图像与一个完整的旋转固定角距离的步骤。图像减法进行旋转测试图像和输入对象之间的形象。 |
| 减去(r、c) =对象(r、c)——测试(r, c) (2) |
| d)细减法 |
| 这是相同的像粗减一点差异图像的旋转角度(1¯害怕害怕一个½¯½)很小。 |
| 从粗或细减法输出图像与灰度图像和寻找最小值后我们会做阈值比较 |
| e)阈值比较 |
| 浇注后的最小值和灰度值与阈值的标准价值和毁灭之路是由硬币匹配与否。 |
| 与ML-CPNN B)神经网络方法 |
| 网络(ANN)是一个信息处理模式,是受生物神经系统的方式,如大脑处理信息。 |
| 算法在神经网络ML-CPNN以下步骤发生,如图2所示 |
 |
| )获得RGB图像 |
| 这是硬币识别方法的第一步。这枚硬币从双方首先扫描,图像进一步灰度转换。 |
| b)硬币RGB转换为灰度图像 |
| 首先从相机和24位图像捕获输入RGB图像转换为8位灰度图像。 |
| c)去除阴影的硬币图像 |
| 在这一步中,硬币的影子从灰度图像。所有的硬币都有圆形边界。因此,对于消除阴影霍夫变换为圆检测使用[6]。首先对于这个硬币的边缘检测使用Sobel边缘检测[6]。 |
| d)作物图像 |
| 阴影去除图像裁剪后,这样我们就有硬币的形象。种植后,硬币图像修剪使它相同维度的100×100或50×50。 |
| e)平均图像生成模式 |
| 100×100或50×50修剪硬币图像成为训练神经网络的输入。但减少神经网络的计算和复杂性进一步降低这些图像大小20×20或10×10通过分割图像使用片段大小5×5像素,然后在段内的像素值的平均值。 |
| f)生成的特征向量 |
| 特征向量训练神经网络I / P。模式的特征向量平均步然后通过输入训练神经网络。这个训练神经网络分类的硬币到适当的基于类将生成的输出。MATLAB神经网络工具箱提供了一个的帮助下为模式识别神经网络可以很容易地创建。 |
| g) ML-CPNN算法 |
表乍一看 |
| ML-CPNN(多层次的反传播神经网络)[8]单位集群中的层间有相互关联。在ML-CPNN竞争后,这一层只有一个单位将积极并发送一个信号到输出层。ML-CPNN只有一个输入层、一个输出层和一个隐藏层。但在两个阶段培训执行。ML-CPNN可用于插值模式,多个Kohonen单位有非零的激活。通过使用插值模式,准确度增加和减少计算时间。它有许多优点,因为它甚至产生正确的输出部分输入。ML-CPNN列车快速安。下面给出使用的参数: |
| X -输入训练向量 |
| Y -目标输出向量 |
| Zj -激活集群单位 |
| 维琪,重量从X输入层Z-cluster层 |
| Wjk——体重从Y Z-cluster层输出层 |
| KL - Kohonen学习期间学习速率 |
| GL - Grossberg学习期间学习速率。 |
| 选择中标单位通过点积或欧氏距离的方法。确定获胜者单位,距离是利用欧氏距离计算方法。最小的距离是选为赢家。获胜者单元计算在第一和第二阶段的训练。在第一阶段的训练,Kohonen学习规则是用于更新和体重在第二阶段的训练,Grossberg学习规则用于重量更新。 |
| ML-CPNN算法 |
| ML-CPN的实现过程如下: |
| 步骤0:初始化权重(从培训中获得) |
| 第一步:输入向量X |
| 第二步:找到接近向量X单位J |
| 步骤3:设置输出的激活单位:Yk = Wjk |
| 集群的激活单元 |
 |
| 扫描和图像分解成子图片。子图片然后翻译成二进制格式。然后输入ML-CPNN二进制数据,已培训。神经网络的输出保存为一个文件。各种教派包括样品1、2、3、5、10、20、25、50、100和200 paise硬币被送入系统。大量的硬币美联储系统用于测试目的和系统产生很好的结果和输出。结果显示在。 |
| ML-CPNN训练算法 |
| ML-CPNN训练算法具有以下两个阶段。 |
| ML-CPNN算法 |
| 第一阶段:找到获胜的集群 |
| 步骤0:初始化权重和学习 |
| 步骤1:第一阶段的停止条件为假,执行步骤2到步骤7 |
| 第2步:为每一个训练输入X,执行步骤3到5 |
| 步骤3:初始化输入层X |
| 第四步:找到赢得集群单元 |
| 第五步:更新权重获得集群上单位维琪(新)=维琪(旧)+ KL (xi -维琪(旧),,i, j = 1到n (2) |
| 第六步:减少学习速率KL第七步:测试阶段训练的停止条件 |
| 第八步:而停止条件为假二期培训,执行步骤9 - 15 |
| 第二阶段:调整权重 |
| 步骤9:对于每个训练输入对X和Y,执行步骤10 - 13所示 |
| 第十步:初始化输入层X和Y输出层 |
| 步骤11:计算集群单元获胜者 |
| 步骤12:Z更新重量单位;维琪(新)=维琪(旧)+ KL (xi -维琪(旧));,,I, j = 1到n (3) |
| 步骤13:更新权重从集群单元输出单元Wjk(新)= Wjk(旧)+ GL (yk - Wjk(旧));j, k = l, m (4) |
| 步骤14:减少学习速率GL |
| 15步:测试停止条件二期培训Zj Dj = =欧氏距离值的Dj, Dj的最小值是选择中标单位。 |
引用 |
|