一种基于神经网络识别设备类型的图像识别方法技术

本发明专利技术公开了一种基于神经网络识别设备类型的图像识别方法，包括如下步骤：步骤1：神经网络的训练过程；步骤2：利用训练后的神经网络进行图像识别的过程。与现有技术相比，本发明专利技术的有益效果为，1.神经网络具有初步的自适应与自组织能力，因此，能简化图片输入流程；2.神经网络的准确率比传统的模式识别方式要高得多。

An image recognition method based on neural network recognition device type

The invention discloses an image recognition method based on neural network for identifying device type, including the following steps: Step 1: training process of neural network; step 2: process of image recognition using trained neural network. Compared with the existing technology, the beneficial effect of the invention is that the 1. neural network has the ability of initial self adaptation and self organization, so that it can simplify the picture input process, and the accuracy rate of the 2. neural network is much higher than that of the traditional pattern recognition method.

【技术实现步骤摘要】
一种基于神经网络识别设备类型的图像识别方法
本专利技术涉及图像识别
，特别是涉及一种基于神经网络识别设备类型的图像识别方法。
技术介绍
神经网络作为一种信息处理器，是目前最被广泛关注的研究领域之一，它的主要特性在于使用空间分布元件将输入信号非线性变换为输出信号和在密集互连结构中大量地并行处理信息，这种处理器是一种具有强大功能和容错的处理器件。神经网络还可以通过依据于实例的训练加以编程，而不是通过例如常规处理器领域中的规定算法，其训练可以在或不在管理程序下而达到。因此，在某些需要对复杂信息进行实时处理的场合，例如在语音识别、图像识别等方面，人工神经网络结构就比数字式计算机结构显示出了巨大的优越性，不仅信息处理功能强、而且处理速度快。利用图像识别出机器的型号和类别在工业和生活中很常见，目前比较成功的识别机器型号和类别的方法最小距离分类、模板匹配(MatchTemplate)都是比较经典的算法。然而使用目前的这些算法进行设备图像识别，存在一些缺陷：1.速度慢，由于设备的图像面积较大，在模板匹配过程中模板大，速度慢。由于存在多种设备类型，所以就会有多个模板。当模板数量增加的时候，识别速本文档来自技高网...

【技术保护点】
一种基于神经网络识别设备类型的图像识别方法，其特征在于，包括如下步骤：步骤1：神经网络的训练过程；步骤2：利用训练后的神经网络进行图像识别的过程。

【技术特征摘要】
1.一种基于神经网络识别设备类型的图像识别方法，其特征在于，包括如下步骤：步骤1：神经网络的训练过程；步骤2：利用训练后的神经网络进行图像识别的过程。2.根据权利要求1所述的基于神经网络识别设备类型的图像识别方法，其特征在于，所述步骤1具体包括如下步骤：步骤1.1：输入编码：将采集到的数据统一化为128*32的彩色图像，并将全部像素作为输入特征；步骤1.2：图像重采样：将步长设置为4，重新采样后的图像大小为32*8；步骤1.3：数据归一化；步骤1.4：采用BP算法训练数据：包括如下步骤：步骤1.4.1：权值和阈值的初始化；步骤1.4.2：输入训练样本；步骤1.4.3：计算隐含层各神经元的输出；步骤1.4.4：计算输出层各神经元的输出；步骤1.4.5：计算隐含层各神经元的误差；步骤1.4.5：计算输出层各神经元的误差；步骤1.4.6：隐含层和输出层权值及输出层各神经元阈值的更新；步骤1.4.7：输入层和隐含层权值及隐含层各神经元阈值的更新；步骤1.4.8：训练样本载入完毕，若完毕，训练结束，若未完毕，返回步骤步骤1.4.2，继续输入样本。3.根据权利要求2所述的基于神经网络识别设备类型的图像识别方法，其特征在于，在步骤1.3中，所述数据归一化是指采用最大最小规格化方法对被初始化数据镜像一种线性变换，转换公式如下：其中：v1为规格化后的数据；v为A属性的原始数据中的一个；minA为A属性中的最小值；maxA为A属性中的最大值；new_maxA为归一化后的区间数据的最大值；new_minA为归一化后的区间数据的最小值。4.根据权利要求1所述的基于神经网络识别设备类型的图像识别方法，其特征在于，所述步骤2具体包括：步骤2.1：图像分割，输入原始图，转为灰度图像，使用高斯法滤波去噪，saber算子提取边缘，二值化处理，找出连通区域，找到轮廓；步骤2.2：验证存在区域，验证矩形大小，长宽比；步骤2.3：特征提取，调整图像为128*128，转为灰度图像，高斯滤波，直方图均衡化，将对象输入神经网络；步骤2.4：神经网络计算；步骤2.5：输出结果。5.根据权利要求3所述的基于神经网络识别设备类型的图像识别方法，其特征在于，所述彩色图像通过巡检小车采集，所述巡检小车在机房内巡检，所述机房设置：在机房通道上铺设磁轨，一个纵向通道，和多条横向通道；在每个机柜所在点，粘贴可读取标签，通过读取所述标签，巡检小车获取停止点信息；所述巡检小车的巡检流程：所述巡检小车包括巡检主通道车和巡检辅通道车，所述巡检主通道车载着巡检辅通道车移动，所述巡检主通道车载着巡...

【专利技术属性】
技术研发人员：庞志斌，郭智欣，李博，张大衡，
申请(专利权)人：天津帕比特科技有限公司，
类型：发明
国别省市：天津,12