CN110378193B - 基于忆阻器神经网络的羊绒羊毛识别方法 - Google Patents

基于忆阻器神经网络的羊绒羊毛识别方法 Download PDF

Info

Publication number
CN110378193B
CN110378193B CN201910371017.0A CN201910371017A CN110378193B CN 110378193 B CN110378193 B CN 110378193B CN 201910371017 A CN201910371017 A CN 201910371017A CN 110378193 B CN110378193 B CN 110378193B
Authority
CN
China
Prior art keywords
memristor
original picture
cashmere
wool
convolution
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201910371017.0A
Other languages
English (en)
Other versions
CN110378193A (zh
Inventor
周律洋
李岳峰
陆立群
施明旻
童祎
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nanjing University of Posts and Telecommunications
Original Assignee
Nanjing University of Posts and Telecommunications
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Nanjing University of Posts and Telecommunications filed Critical Nanjing University of Posts and Telecommunications
Priority to CN201910371017.0A priority Critical patent/CN110378193B/zh
Publication of CN110378193A publication Critical patent/CN110378193A/zh
Application granted granted Critical
Publication of CN110378193B publication Critical patent/CN110378193B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/06—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons
    • G06N3/063—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons using electronic means
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Computational Linguistics (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Multimedia (AREA)
  • Neurology (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

一种基于忆阻器神经网络的羊绒羊毛识别方法，包括如下步骤，步骤S1、输入原始图片，通过输入信号预处理电路对原始图片进行预处理，并将原始图片的的色彩信息按照忆阻器阵列规定信号源格式进行编码；步骤S2、忆阻器神经元卷积网络将编码好的信息按照训练好的神经网络进行卷积运算，获取期望值；步骤S3、期望值比对判断电路将忆阻器神经元卷积网络获取的期望值绘制成相和度曲线，并与其数据库中已有的数据曲线进行比对，获取识别结果。本发明可用于常规羊毛羊绒真假性检测及羊绒羊毛制品的成分分析。可解决人工视觉检测耗费时间长、准确率波动大的问题；同时，对于神经网络计算，忆阻器得益于其构造和计算方式，可以得出更加精确、分离间隔更小的卷积计算结果，极大的提高了识别的准确性。

Description

基于忆阻器神经网络的羊绒羊毛识别方法
技术领域
本发明属于智能识别技术领域，具体涉及一种基于忆阻器神经网络的羊绒羊毛识别方法。
背景技术
羊绒作为动物纤维制品中较为高端的品种之一，具有轻柔、细腻、触感优良的特性，一直是纺织和生产领域的珍惜物种，被广泛的用于各类衣物、和高端生活用品之中。但是，如此优良的纺织原料由于其原料来源单一且要求苛刻等原因，一直产量不高。中国作为羊绒第一生产大国，占据了全球70％左右的羊绒产量，但也仅仅只有12000吨，远低于大量市场的需求。
因此，近年来商人为了追求更高的利润，往往会在羊绒的原材料中掺入一些羊毛的成分，或是使用品质较好的羊毛以次充好，来顶替羊绒并高价出售。正是由于这种情况的普遍性，许多羊绒制品生产商感到颇为难以应付。为了避免由于原材料不合格导致的产品不达标情况，这些生产商不得不投入大量资金，用于羊毛羊绒的鉴定和成分分析。
近年来，出现了一些利用红外探测或是数字系统进行羊毛羊绒识别的解决方案，但是由于其存在的一些瑕疵，如设备昂贵，技术复杂，检测准确率不高等情况。这些方法并没有得到广泛的使用。
发明内容
本发明所要解决的技术问题是克服现有技术的不足，提供一种基于忆阻器神经网络的羊绒羊毛识别方法，可用于羊毛羊绒的真假性检测及羊绒羊毛制品的成分分析，解决了人工检测耗费时间长、准去率波动性大的问题，并有效提高了羊绒羊毛的识别准确性。
本发明提供一种基于忆阻器神经网络的羊绒羊毛识别方法，包括如下步骤，
步骤S1、输入原始图片，通过输入信号预处理电路对原始图片进行预处理，并将原始图片的的色彩信息按照忆阻器阵列规定信号源格式进行编码；
步骤S2、忆阻器神经元卷积网络将编码好的信息按照训练好的神经网络进行卷积运算，获取期望值；
步骤S3、期望值比对判断电路将忆阻器神经元卷积网络获取的期望值绘制成相和度曲线，并与其数据库中已有的数据曲线进行比对，获取识别结果。
作为本发明的进一步技术方案，步骤S1中，所述输入信号预处理电路对原始图片的信息进行二值化处理，包括色彩的灰度处理和边缘特征的提取，提取原始图片的特征值并描绘出其轮廓线条特征，再将原始图片的的色彩信息分割成符合忆阻器阵列分辨率的图像，并传输至所述忆阻器神经元卷积网络中。
进一步的，忆阻器神经元卷积网络中，忆阻器的每一个crossbar会通过第一次加电设置自身的阻值，并被固化，当编码好的信息被送达时，编码好的信息信号会被叠加在设置电压之上，造成crossbar的阻值变化，根据权值生成数据阵列，再通过对输出电流或电荷检测获取运算结果。
进一步的，步骤S3中，当忆阻器神经元卷积网络的卷积计算值被输出后，可以获取一系列像素块加权后的平均值，通过求和运算电路将平均值转化为概率分布曲线，通过曲线中各色位值的占比进行比较，从而进行识别。
本发明可用于常规羊毛羊绒真假性检测及羊绒羊毛制品的成分分析。可解决人工视觉检测耗费时间长、准确率波动大的问题；同时，对于神经网络计算，忆阻器得益于其构造和计算方式，可以得出更加精确、分离间隔更小的卷积计算结果，极大的提高了识别的准确性。
附图说明
图1为本发明的流程示意图；
图2为本发明实施例的忆阻器阵列示意图；
图3为本发明实施例的忆阻器计算电路模型图；
图4为本发明的忆阻器神经元卷积网络流程示意图。
具体实施方式
请参阅图1，本实施例提供一种基于忆阻器神经网络的羊绒羊毛识别方法，包括如下步骤，
步骤S1、输入原始图片，通过输入信号预处理电路对原始图片进行预处理，并将原始图片的的色彩信息按照忆阻器阵列规定信号源格式进行编码；
步骤S2、忆阻器神经元卷积网络将编码好的信息按照训练好的神经网络进行卷积运算，获取期望值；
步骤S3、期望值比对判断电路将忆阻器神经元卷积网络获取的期望值绘制成相和度曲线，并与其数据库中已有的数据曲线进行比对，获取识别结果。
步骤S1中，所述输入信号预处理电路对原始图片的信息进行二值化处理，包括色彩的灰度处理和边缘特征的提取，提取原始图片的特征值并描绘出其轮廓线条特征，再将原始图片的的色彩信息分割成符合忆阻器阵列分辨率的图像，并传输至所述忆阻器神经元卷积网络中。
忆阻器神经元卷积网络如图4所示，忆阻器的每一个crossbar会通过第一次加电设置自身的阻值，并被固化，当编码好的信息被送达时，编码好的信息信号会被叠加在设置电压之上，造成crossbar的阻值变化，根据权值生成数据阵列，再通过对输出电流或电荷检测获取运算结果。
步骤S3中，当忆阻器神经元卷积网络的卷积计算值被输出后，可以获取一系列像素块加权后的平均值，通过求和运算电路将平均值转化为概率分布曲线，通过曲线中各色位值的占比进行比较，从而进行识别。
在本实施例中，原始图像均为1000×1000px的像素密度，忆阻器单个阵列为4×4模组。
首先将原始图片裁切为62500个4×4的像素模块，实现像素点与忆阻器Crossbar的点对点重合。将每一个像素模块记录成4×4的数据矩阵，以pixel[0]-pixel[62499]的数据流输入下一级电路之中。
如图2和图3所示，在读取操作过程中，所有未被选中的行和列都以DAC1和DAC2设置为接地(0V)，而Vread(0.3V)通过DAC0应用于所选的行。所选的列与一个类似于数字转换器(ADC)的读电路连接。读操作后再控制DAC0施加负电压恢复状态。整个Crossbar棋盘可由一个FPGA编程，它集成在测试板上。代码通过Python编程即可完全自动化的方式执行。例如，使用4*4crossbar结构的忆阻器，通过输入一段16位逻辑数字信息，通过代码编程即可自动化的控制DAC0至DAC3对整个阵列进行赋值存储，读操作同样如此。
原始图片的二值化处理中，pixel[0]-pixel[62499]的数据流将以此通过前序准备电路中的二值化运算电路。在电路中，每一个数据流模块将分别被计算目标和背景的均值、方差：
Figure GDA0003715114450000041
Figure GDA0003715114450000042
Figure GDA0003715114450000043
获得方差之后，将根据最小分类误差思想得到最小误差目标函数：
J(T)＝1+2[P1(T)logσ1(T)+P2(T)logσ2(T)]-[P1(T)logP1(T)+P2(T)logP2(T)]
最后取使目标函数最小值为阈值：
Figure GDA0003715114450000044
在二值化的图像下，已经可以比原始的图像更容易用肉眼观测出一些区别，但是周围仍旧存在一些像素噪点，在光学图像不理想的情况下，这将对最终结果的识别产生较大的影响。于是我们将这一组二值化处理过后的binarize_pixel[0]-binarize_pixel[62499]输入下一级忆阻器网络进行卷积运算。
在忆阻器阵列中，通过预设的学习模式，其每一个Crossbar已经拥有的某一个初始电压设置的阻值，当图片信号叠加在初始阻值上时，会根据权重生成新的数据阵列，这个数据阵列就是卷积计算后的边缘计算数据流verge_pixel[0]-verge_pixel[62499]。将此数据流反映在图像上即可得到边缘算子的图像。
最终，通过将输出数据流组成一个正态分布曲线，在与所有已经预先学习的数据进行拟合度分析，既可以判断出我们所识别的图像，究竟羊毛还是羊绒。
以上显示和描述了本发明的基本原理、主要特征和优点。本领域的技术人员应该了解，本发明不受上述具体实施例的限制，上述具体实施例和说明书中的描述只是为了进一步说明本发明的原理，在不脱离本发明精神范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护的范围由权利要求书及其等效物界定。

Claims (3)

1.一种基于忆阻器神经网络的羊绒羊毛识别方法，其特征在于，包括如下步骤，
步骤S1、输入原始图片，通过输入信号预处理电路对原始图片进行预处理，并将原始图片的色彩信息按照忆阻器阵列规定信号源格式进行编码；
步骤S2、忆阻器神经元卷积网络将编码好的信息按照训练好的神经网络进行卷积运算，获取期望值；
步骤S3、期望值比对判断电路将忆阻器神经元卷积网络获取的期望值绘制成相和度曲线，并与其数据库中已有的数据曲线进行比对，获取识别结果；
所述忆阻器神经元卷积网络中，忆阻器的每一个crossbar会通过第一次加电设置自身的阻值，并被固化，当编码好的信息被送达时，编码好的信息信号会被叠加在设置电压之上，造成crossbar的阻值变化，根据权值生成数据阵列，再通过对输出电流或电荷检测获取运算结果。
2.根据权利要求1所述的一种基于忆阻器神经网络的羊绒羊毛识别方法，其特征在于，所述步骤S1中，所述输入信号预处理电路对原始图片的信息进行二值化处理，包括色彩的灰度处理和边缘特征的提取，提取原始图片的特征值并描绘出其轮廓线条特征，再将原始图片的色彩信息分割成符合忆阻器阵列分辨率的图像，并传输至所述忆阻器神经元卷积网络中。
3.根据权利要求1所述的一种基于忆阻器神经网络的羊绒羊毛识别方法，其特征在于，所述步骤S3中，当忆阻器神经元卷积网络的卷积计算值被输出后，可以获取一系列像素块加权后的平均值，通过求和运算电路将平均值转化为概率分布曲线，通过曲线中各色位值的占比进行比较，从而进行识别。
CN201910371017.0A 2019-05-06 2019-05-06 基于忆阻器神经网络的羊绒羊毛识别方法 Active CN110378193B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910371017.0A CN110378193B (zh) 2019-05-06 2019-05-06 基于忆阻器神经网络的羊绒羊毛识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910371017.0A CN110378193B (zh) 2019-05-06 2019-05-06 基于忆阻器神经网络的羊绒羊毛识别方法

Publications (2)

Publication Number Publication Date
CN110378193A CN110378193A (zh) 2019-10-25
CN110378193B true CN110378193B (zh) 2022-09-06

Family

ID=68248674

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910371017.0A Active CN110378193B (zh) 2019-05-06 2019-05-06 基于忆阻器神经网络的羊绒羊毛识别方法

Country Status (1)

Country Link
CN (1) CN110378193B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111334901A (zh) * 2020-02-18 2020-06-26 常熟理工学院 一种基于忆阻神经网络的山羊原绒自动分拣装置
CN111144558B (zh) * 2020-04-03 2020-08-18 深圳市九天睿芯科技有限公司 基于时间可变的电流积分和电荷共享的多位卷积运算模组
CN111815640B (zh) * 2020-07-21 2022-05-03 江苏经贸职业技术学院 一种基于忆阻器的rbf神经网络医学图像分割算法
CN116805370A (zh) * 2022-03-15 2023-09-26 清华大学 图像识别方法、装置及相关设备

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103810497A (zh) * 2014-01-26 2014-05-21 华中科技大学 一种基于忆阻器的图像识别系统及方法
CN108962230A (zh) * 2018-07-27 2018-12-07 重庆因普乐科技有限公司 基于忆阻器的语音识别方法
CN109086870A (zh) * 2018-07-27 2018-12-25 重庆因普乐科技有限公司 一种基于忆阻器的三维卷积神经网络实现方法
CN109460817A (zh) * 2018-09-11 2019-03-12 华中科技大学 一种基于非易失存储器的卷积神经网络片上学习系统

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103810497A (zh) * 2014-01-26 2014-05-21 华中科技大学 一种基于忆阻器的图像识别系统及方法
CN108962230A (zh) * 2018-07-27 2018-12-07 重庆因普乐科技有限公司 基于忆阻器的语音识别方法
CN109086870A (zh) * 2018-07-27 2018-12-25 重庆因普乐科技有限公司 一种基于忆阻器的三维卷积神经网络实现方法
CN109460817A (zh) * 2018-09-11 2019-03-12 华中科技大学 一种基于非易失存储器的卷积神经网络片上学习系统

Also Published As

Publication number Publication date
CN110378193A (zh) 2019-10-25

Similar Documents

Publication Publication Date Title
CN110378193B (zh) 基于忆阻器神经网络的羊绒羊毛识别方法
CN103761531B (zh) 基于形状轮廓特征的稀疏编码车牌字符识别方法
CN108446678B (zh) 一种基于骨骼特征的危险驾驶行为识别方法
Anagnostopoulos et al. A license plate-recognition algorithm for intelligent transportation system applications
CN109255284B (zh) 一种基于运动轨迹的3d卷积神经网络的行为识别方法
CN110399821B (zh) 基于人脸表情识别的顾客满意度获取方法
CN111310850B (zh) 车牌检测模型的构建方法及系统、车牌检测方法及系统
CN110109060A (zh) 一种基于深度学习网络的雷达辐射源信号分选方法及系统
CN106960176B (zh) 一种基于超限学习机和颜色特征融合的行人性别识别方法
CN115205521B (zh) 基于神经网络的厨余垃圾检测方法
CN114155527A (zh) 一种场景文本识别方法和装置
CN112257715A (zh) 一种粘连字符识别方法及系统
CN110009008A (zh) 基于提取的免疫固定电泳图特征对其进行自动分类的方法
CN114299324B (zh) 一种基于多尺度域对抗网络的病理图像分类方法及系统
CN111931700A (zh) 一种基于多分类器的玉米品种真伪鉴别方法和鉴别系统
CN113963041A (zh) 一种图像纹理识别方法及系统
Saidane et al. Robust binarization for video text recognition
CN113139501A (zh) 一种联合局部区域检测与多级特征抓取的行人多属性识别方法
CN111882000A (zh) 一种应用于小样本细粒度学习的网络结构及方法
CN116188756A (zh) 一种基于深度学习的仪表角度校正与示数识别方法
CN109902751B (zh) 融合卷积神经网络和半字模板匹配的表盘数字字符识别法
CN109446882A (zh) 基于梯度方向划分的特征量化的车标特征提取和识别方法
CN114065798A (zh) 基于机器识别的视觉识别方法及装置
CN116994049A (zh) 全自动针织横机及其方法
CN108827974B (zh) 一种瓷砖缺陷检测方法及系统

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant