這學期的人工神經(jīng)網(wǎng)絡課程已經(jīng)進行完了第三章內(nèi)容，關(guān)于經(jīng)典網(wǎng)絡重要的BP（誤差反向傳播網(wǎng)絡）是所有學習人工神經(jīng)網(wǎng)絡最先接觸到的一個實用網(wǎng)絡。它的原理相對比較簡單，在很多平臺中都非常容易實現(xiàn)。

學習神經(jīng)網(wǎng)絡的基本原理之后，更重要的是能夠通過一些應用場合來應用它，使他能夠幫助自己解決一些實際的工程問題。

近期購買到的 LC100-A^[1] 電感電容測量模塊，用于測量一些實驗中實驗對象的電感、電容值隨著其他一些物理變量（工作電壓、距離、溫度等）所產(chǎn)生變化規(guī)律。為了便于實驗，需要能夠?qū)C100-A測量數(shù)值自動記錄。

<<< 左右滑動見更多 >>>

在開始的方式就是直接使用攝像頭獲取液晶顯示數(shù)據(jù)，然后使用字符識別軟件來完成其中數(shù)字的識別。

測試一下CNOCR識別效果。它對于屏幕截圖中的文字識別效果還不錯：

• 識別時間：1.98。* 識別結(jié)果：

[['●', '更', '新', '了', '訓', '練', '代', '碼', '，', '使', '用', 'm', 'x', 'n', 'e', 't', '的', 'r', 'e', 'c', 'o', 'r', 'd', 'i', 'o', '首', '先', '把', '數(shù)', '據(jù)', '轉(zhuǎn)', '換', '成', '二', '進', '制', '格', '式', '，', '提', '升', '后', '續(xù)', '的'], ['訓', '練', '效', '率', '。', '訓', '練', '時', '支', '持', '對', '圖', '片', '做', '實', '時', '數(shù)', '據(jù)', '增', '強', '。', '也', '加', '入', '了', '更', '多', '可', '傳', '入', '的', '參', '數(shù)', '。'], ['●', '允', '許', '訓', '練', '集', '中', '的', '文', '字', '數(shù)', '量', '不', '同', '，', '目', '前', '是', '中', '文', '1', '0', '個', '字', '，', '英', '文', '2', '0', '個', '字', '母', '。'], ['。', '提', '供', '了', '更', '多', '的', '模', '型', '選', '擇', '，', '允', '許', '大', '家', '按', '需', '訓', '練', '多', '種', '不', '同', '大', '小', '的', '識', '別', '模', '型', '。'], ['●', ' ', '內(nèi)', '置', '了', '各', '種', '訓', '練', '好', '的', '模', '型', '，', '最', '小', '的', '模', '型', '只', '有', '之', '前', '模', '型', '的', '1', '/', '5', '大', '小', '。', '所', '有', '模', '型', '都', '可', '免', '費'], ['使', '用', '。']]

那么對于前面液晶屏幕識別效果呢：

識別結(jié)果：[['.', '。', '與', 'F', '早', 'H']]

好像驢唇不對馬嘴。

這主要原因還是原來網(wǎng)絡沒有針對上述液晶實現(xiàn)數(shù)字進行訓練過。由于液晶顯示圖片質(zhì)量非常好，實際上只需要最簡單的BP網(wǎng)絡就可以達到很好的效果。

下面給出在MATLAB中構(gòu)建網(wǎng)絡并進行實驗的過程。

使用神經(jīng)網(wǎng)絡解決問題，一個重要的環(huán)節(jié)就是進行訓練數(shù)據(jù)的準備。通過對采集到的一些圖片中的數(shù)字進行提取并手工標注，來完成對網(wǎng)絡的訓練。

1.數(shù)字分割

下面是桌面攝像頭捕捉到的測量圖片，通過簡單的圖片灰度投影，比較方便將顯示數(shù)字所在圖片中的位置定出。為了簡單起見，也可以固定攝像頭與LCD相對位置，這樣手工定標出結(jié)果字符位置也可以適用于后面測量結(jié)果。

這個問題簡單之處在于所有字符都是等寬，而且對比度非常好，簡單的分離就可以將所有的字符單獨分離出來。由于攝像頭位置固定，所以簡單分割之后的字符之后少量的上下左右平移，沒有旋轉(zhuǎn)。對于圖片位置、尺寸就不再進行歸一化。這些差異最后有神經(jīng)網(wǎng)絡來彌補。

液晶顯示字符的圖片對比度很好。但就是有一個問題，在攝像頭拍攝的時候，經(jīng)常會遇到字符變化過程，這就會使得圖片中字符呈現(xiàn)兩個字符疊加的情況。下面是一些示例：

這些過程，說實在的，即使人工識別也會無法分辨。

后面通過人工輸入標注了2000多個樣本。

2.圖片二值化

對于分割的圖片進行二值化，可以消除環(huán)境光對于圖片亮度的影響。在一定程度上，也可以消除液晶字符在變化時所引起的模糊。

<<< 左右滑動見更多 >>>

上面所有的字符的尺寸是23乘以38點陣。

1.構(gòu)建網(wǎng)絡和訓練

簡單的實驗，就用簡單的方法。對于前面所得到的字符，不再人工定義它們的特征。僅僅將原來的彩色圖片變換成灰度圖像，然后排列成23×38=874維向量。然后增加一層中間隱層便組成了最簡單的分類網(wǎng)絡。

net = patternnet(11)

將前面人工標注的樣本一半用于訓練，全部樣本用于測試。下面給出了測試的結(jié)果。

plotconfusion(xx, net(yy))

2.訓練結(jié)果與分析

整體的錯誤率大約為：ERR= 2.99%。

下面是識別正確的字符。

下面給出了部分識別錯誤字符的情況?；旧隙际且恍┡臄z到液晶字符在變化過程中的重疊字符情況。這些情況本身在人工標注的時候就存在模糊。

<<< 左右滑動見更多 >>>

3.網(wǎng)絡結(jié)構(gòu)與錯誤率

下面給出了網(wǎng)絡的隱層節(jié)點個數(shù)與識別錯誤樣本個數(shù)之間的關(guān)系?？梢钥吹疆斨虚g隱層節(jié)點大于5之后，識別性能就不再有明顯的變化了。

使用神經(jīng)網(wǎng)絡解決問題，不是尋找最強大的網(wǎng)絡，而是需要最合適的網(wǎng)絡。

通過上面的測試結(jié)果來看，簡單的單隱層網(wǎng)絡便可以很好的滿足液晶顯示數(shù)字識別。那么對于那些由于數(shù)字跳動所引起的錯誤該怎么處理呢？

這個問題如果僅僅依靠增加訓練樣本和改進網(wǎng)絡結(jié)構(gòu)是很難進行徹底解決，規(guī)避這個錯誤可以通過對連續(xù)識別結(jié)果進行比對來解決。對顯示數(shù)字進行連續(xù)快速采集5幀圖像，其中液晶跳動往往只發(fā)生在其中一幀，或者兩幀。那么對于五個圖像識別出的數(shù)字進行對比，找到相同次數(shù)最多的數(shù)字作為輸出結(jié)果。

參考資料