基于BP神經網絡的智能制造系統圖像識別技術

摘 要： 研究了基于BP神經網絡的智能制造系統圖像識別技術。在當前制造業系統設計中，由于圖像資源結構復雜，通過BP神經網絡，有助于提取圖像特征、優選特征向量組成方案，從而優化實現智能制造系統圖像識別技術。該文基于BP神經網絡設計了一個智能制造系統，并采用B/S模式設計系統結構，制造系統的圖像識別技術，可以降低系統在使用過程中18.0的冗余度，同時也提升該系統12.0%的應用性能。結論表明，基于BP神經網絡設計實現智能制造系統圖像識別技術，可以使系統的平臺更具智能性，符合制造業信息化發展要求，提升智能制造系統圖像識別性能。

關鍵詞： B/S模式； 智能制造系統； BP神經網絡； 圖像識別技術

中圖分類號： TN926?34 文獻標識碼： A 文章編號： 1004?373X（2016）18?0107?03

Abstract： The aim of this paper is to study the image recognition technology of intelligent manufacturing system based on BP neural network. With the development of BP neural network， the manufacturing industry in China towards to information development has become a major trend. In the system design of current manufacturing industry， since the image resources structure is complex， the BP neural network is employed to extract the image features and optimize the composing solution of feature vectors， so as to optimize and realize the image recognition technology of intelligent manufacturing system. The results show that the BP neural network based image recognition technology of intelligent manufacturing system can reduce the system redundancy of 18.0 in using process， and improve the system application performance of 12.0%. The conclusion shows that the image recognition technology based on BP neural network can make the system platform more intelligent， meet the development requirements of manufacturing information， improve the image recognition performance of intelligent manufacturing system， and play a positive impact.

Keywords： B/S pettern； intelligent manufacturing system； BP neural network； image recognition technology

BP神經網絡不僅是具有自主學習性與自組性的智能算法，同時在智能識別、分類圖像資源方面，也發揮積極影響[1?2]。在智能制造系統設計中，運用基于BP神經網絡的圖像識別技術，不僅可以大大提高智能制造系統智能性，也可發揮積極應用價值。

1 BP神經網絡

在實際運用中，BP神經網絡是基于人大腦神經系統的一種數學模擬而形成的模型結構，神經網絡的存在就是要產生智能的控制行為[3]。在BP神經網絡中，不僅有大量的單元，同時也可以通過改變權值，從而并行分布式，提升系統結構組織的靈活性[4]。BP神經網絡中，神經元是其基本的處理單元，可以有多輸入，但是必須是單輸出，是一種特殊的非線性器件[5]。其最基本的單個神經元結構如圖1所示。

2 設計需求分析

在本次智能制造系統設計中，基于BP神經網絡，優化系統圖像識別技術，更加高效、精準地對圖像進行識別，可以在經閾值分割之中，形成一個關于制造系統中零件的二值圖，并可從該圖中，提取出針對其識別目標物的區域內部結構，包括邊界、大小、形狀等相關的幾何參數，提升該系統運用價值[6?9]。同時，基于BP神經網絡，具有結構簡單的優勢，且在該網絡中具備的可調整參數也多，實際運用中的訓練算法較多，有很好的可操作性[10]，故在系統設計中該技術的應用也最為廣泛，在設計實現智能制造系統圖像識別過程中，可以有效提升該系統對于圖像識別的效率，從而減少圖像識別誤差，提升系統設計應用性能。

3 實現基于BP神經網絡的智能制造系統圖像識別技術

3.1 總體設計結構

在本智能制造系統設計中，基于BP神經網絡采取 B/S 模式設計系統結構，如圖2所示。

該結構可以加強系統各模塊之間的關聯，更好地發揮系統圖像識別效率。

3.2 優化圖像識別技術

智能制造系統設計中，可用計算機對圖像進行處理，并可以分析、理解圖像識別算法，學習圖像識別知識，能夠根據目標對像的特征，實現圖像信息的識別[11]。本次系統的圖像識別的具體的識別流程如圖3所示。

在圖像識別中，系統基于BP神經網絡，變換神經網絡中神經元梯度權值，從而提升BP神經網絡的訓練收斂度，有效減小圖像識別中的訓練誤差，從而可以達到系統需求的圖像識別效果。

3.3 構建BP神經網絡的結構

在神經網絡中，不僅需要具備輸入層、輸出層的相關節點，同時，也需包括一層或者多層的隱含節點。在BP神經網絡之中，可以將輸入的信息傳播到網絡中的隱含層節點，通過各單元中作用函數運算之后，將其輸出的信息傳播到系統中的輸出節點。

4 分析該智能制造系統的應用效益

在此對智能制造系統進行圖像識別方面的試驗，以及對系統應用效益進行驗證。在本次應用中，對制造業中的齒輪、凸輪等機械零件圖進行識別，其試驗中的樣本結構如表1所示。

經過對于系統的試驗驗證，在其結果中證實，運用該系統進行圖像識別，能夠有效提取出每張制造圖像的面積、長軸以及周長等參數，有效提升該系統實用性。基于BP神經網絡優化設計智能制造系統的圖像識別技術，可以降低系統在使用過程中18.0的冗余度，同時也提升該系統12.0%應用性能。

5 結 論

綜上所述，對于臨床智能制造系統設計而言，基于BP神經網絡優化圖像識別技術，不僅可以有效提升系統圖像識別效率，也可以提升智能制造系統運行效率，使該系統更具智能性，在實踐應用中更加充分展現系統優勢，發揮其積極影響。

參考文獻

[1] 張瑞，王振忠，郭龍，等.基于圖像識別的機床工況監控系統[J].制造技術與機床，2014（4）：130?132.

[2] 陳向奎，康牧.基于BP神經網絡的圖像識別跟蹤技術[J].艦船科學技術，2015（4）：219?222.

[3] 鄒修國，丁為民，陳彩蓉，等.基于改進灰度共生矩陣和粒子群算法的稻飛虱分類[J].農業工程學報，2014，30（10）：138?144.

[4] 溫芝元，曹樂平.椪柑果實病蟲害的傅里葉頻譜重分形圖像識別[J].農業工程學報，2013，29（23）：159?165.

[5] 曹維時，張春慶，王金星，等.離散小波變換和BP神經網絡識別玉米種子純度[J].農業工程學報，2012，28（z2）：253?258.

[6] 熊煥亮，吳滄海.基于BP神經網絡的柑橘始葉螨圖像識別[J].湖北農業科學，2013，52（23）：5863?5865.

[7] 劉麗娟，劉仲鵬.基于改進 BP 算法的玉米葉部病害圖像識別研究[J].江蘇農業科學，2013（11）：139?142.

[8] 高嵐，胡亮，羅樂，等.基于BP神經網絡的船舶焊縫缺陷圖像識別[J].武漢理工大學學報（信息與管理工程版），2012，34（3）：271?274.

[9] 陳錦，羅曉曙.基于小波變換與野草算法的細胞圖像特征提取與識別[J].廣西師范大學學報（自然科學版），2015（2）：22?28.

[10] 趙鵬，曹軍，韋興竹.勻速直線運動模糊圖像的模糊參數魯棒識別[J].光學精密工程，2013，21（9）：2430?2438.

[11] 徐富新，黃玉秀，王洲，等.基于字符識別的實驗報告自動打分系統的設計[J].計算機工程與科學，2014，36（9）：1754?1759.