CN113409226A - 一种基于优化bp神经网络的mpo表面复原系统 - Google Patents

一种基于优化bp神经网络的mpo表面复原系统 Download PDF

Info

Publication number
CN113409226A
CN113409226A CN202110806645.4A CN202110806645A CN113409226A CN 113409226 A CN113409226 A CN 113409226A CN 202110806645 A CN202110806645 A CN 202110806645A CN 113409226 A CN113409226 A CN 113409226A
Authority
CN
China
Prior art keywords
data
neural network
interference
mpo
value
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.)
Pending
Application number
CN202110806645.4A
Other languages
English (en)
Inventor
陈博桓
许学彬
赵楠楠
杨中奥
周豪
郭子琦
倪军
沈洋
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.)
China Jiliang University
Original Assignee
China Jiliang University
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 China Jiliang University filed Critical China Jiliang University
Priority to CN202110806645.4A priority Critical patent/CN113409226A/zh
Publication of CN113409226A publication Critical patent/CN113409226A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • G06N3/044—Recurrent networks, e.g. Hopfield 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
    • G06N3/04—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
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/70—Denoising; Smoothing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10004—Still image; Photographic image
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Computational Linguistics (AREA)
  • Health & Medical Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Length Measuring Devices By Optical Means (AREA)

Abstract

本发明涉及一种基于优化BP神经网络的MPO表面复原系统，本系统分为硬件系统和软件系统：硬件系统应用白光干涉原理，PZT控制仪驱动载有MPO光纤连接器的工作平台从左至右以固定的步距移动，满足白光干涉条件时发生干涉，工作平台移动的同时CCD相机拍摄干涉条纹图像，储存在硬盘中。软件系统通过选取噪声数据和正确数据作为训练样本，利用特征提取函数对训练样本数据进行降维处理；采用遗传算法优化BP神经网络的权值和阈值，提高BP神经网络对噪声像素点的判别精度；使用动态高斯加权均值滤波算法对噪声像素点对应的高度值进行处理；得到工厂环境下MPO光纤连接器的3D表面复原图像。

Description

一种基于优化BP神经网络的MPO表面复原系统
技术领域：
本发明涉及一种基于优化BP神经网络的MPO表面复原系统，本系统通过选取噪声数据和正确数据作为训练样本，利用特征提取函数对训练样本数据进行降维处理；采用遗传算法优化BP神经网络的阈值和参数，提高BP神经网络对噪声像素点的判别精度；使用动态高斯加权均值滤波对噪声像素点对应的高度值进行处理；得到工厂环境下MPO光纤连接器的3D表面复原图像。属于白光干涉、3D表面形貌测量和光学工程领域。
背景技术：
白光垂直扫描干涉技术相对于传统的检测方法，采用非接触测量的方式，具有测量精度高、检测速度快等特点，被广泛应用于3D测量领域。目前MPO光纤连接器表面复原主要存在以下问题：
问题一：多数MPO光纤连接器检测系统被投入到工厂中使用，由于工厂生产环境的特殊性，一些灰尘或其它杂质会落在MPO光纤连接器表面，影响MPO光纤连接器检测系统的复原精度。
问题二：传统的高斯滤波去噪算法耗时长，去噪精度较低，去噪效果较差，不能满足日益提高的复原精度要求。
问题三：传统的BP神经网络，输入数据的维度等于训练样本数据的维度，采用随机选取阈值和权值的方法训练BP神经网络，增加了BP神经网络的训练时间，同时也会影响BP神经网络的判别精度。
为了解决上述问题，本专利提出一种基于优化BP神经网络的MPO表面复原系统，采用特征提取函数将训练样本和测试样本数据进行降维；利用遗传算法确定BP神经网络节点的初始权值和阈值；采用动态高斯加权均值滤波对噪声像素点进行处理。可以快速有效去除因工厂操作环境引入的杂质，提高MPO光纤连接器的3D表面复原精度。
发明内容：
本发明提供一种基于优化BP神经网络的MPO表面复原系统，本系统分为硬件系统和软件系统。
硬件系统：硬件系统由计算机、CCD摄像机、PZT控制仪、工作平台、白光干涉系统组成，工作平台上载有MPO光纤连接器，白光干涉系统由成像物镜、参考镜、准直器、分光棱镜和光源组成，PZT控制仪驱动工作平台以60um的步距向前移动。工作平台上载有MPO光纤连接器，随着工作平台的移动，当MPO光纤连接器的表面某区域的位置满足白光干涉的条件时，会发生白光干涉，产生明暗相间的白光干涉条纹。工作平台移动的同时CCD相机拍摄图像并储存在电脑的移动硬盘中，图像的储存格式为bmp，工作平台移动的总次数与图像的总数量相等。
(1)所述测量系统基于白光干涉的测量原理如下：
随着工作平台沿着扫描方向进行从左到右的移动，系统的分光镜到MPO光纤连接器表面的距离不断发生变化，对应的光程差变化为先减小至0后增大。白光光源包括多种不同波长的光，当白光发生干涉时，每一个波长的光波均会生成一组不同间距的干涉条纹，横轴为工作平台移动的次数，纵轴为干涉的光强。只有当光程差为0时，各波长的零级干涉条纹才能完全重合，产生最大的光强输出，故零光程差位置为最佳干涉位置。
设载有MPO光纤连接器的工作平台移动到零光程差位置时移动的距离为x,x即为MPO光纤连接器的相对高度，设工作平台未发生移动时的高度为0，Δx为每次工作平台移动的步距，n为工作平台移动的次数。
x＝Δx×n (1)
软件系统：软件系统分为读取干涉图像数据、获取训练样本数据、提取局部峰值点、数据特征提取、遗传算法优化BP神经网络的初始参数、构建BP神经网络判别像素点类型、获取正常像素点的高度值、动态高斯加权均值滤波修复噪声点的高度值七个部分。
(2)所述的读取干涉图像数据的实现过程如下：
使用MATLAB软件按照CCD相机存储图像的顺序以像素点的形式读取并储存干涉图像的灰度值数据，将每张图像的灰度值数据以矩阵的形式储存在MATLAB中。图像的灰度值数据代表MPO光纤连接器表面发生干涉时的光强变化情况，图像的长宽乘积决定了图像像素点的总个数，每个矩阵中数据的总个数等于图像像素点的总个数，图像的总数量与矩阵的总数量相同。创建一个空矩阵，像素点的总个数为空矩阵行的总数，图像的总数量为空矩阵列的总数，将上述储存图像数据矩阵的值赋值到新建的空矩阵中，即可得到MPO光纤连接器表面区域的干涉数据矩阵。MPO光纤连接器的每个区域用一个像素点来表示，所有的像素点的集合代表了整个MPO光纤连接器的表面区域，干涉数据矩阵单行的数据代表MPO光纤连接器某个区域发生白光干涉的光强变化情况。
(3)所述的训练样本数据的获取实现过程如下：
对于测量系统得到的干涉图像，取第一张干涉图像，使用MATLAB软件读取此图像的灰度值数据，设定一个初始灰度阈值，对于灰度值矩阵中所有的灰度值，大于灰度阈值的像素点认定为正常像素点，小于等于灰度阈值的像素点视为噪声像素点，记录所寻找到的噪声像素点的位置信息。根据上述噪声点的位置信息，提取干涉数据矩阵中对应特定行的噪声数据1000份，将此1000份数据作为GA_BP神经网络算法的噪声点训练数据；提取干涉数据矩阵中未被标记位置的1000份数据作为GA_BP神经网络算法正常点的训练数据。
(4)所述的局部峰值点的具体定义如下：
局部峰值点包括极大值点和鞍点，在单个像素点的连续干涉数据[yi](i＝1,2,3...,M)中，M为像素点干涉数据的总个数，若存在n(n＝2,3,4...,M-1)个连续的干涉数据yi+1,yi+2...,yi+n，满足yi+n≥yi+n+1且yi+n≤yi则称yi+1,yi+2...,yi+n为极大值点；若yi+1,yi+2...,yi+n满足yi+n≤yi+n+1且yi+n≥yi，则称yi+1,yi+2...,yi+n为鞍点。
(5)所述的数据特征提取的实现过程如下：
对于得到的训练数据，其列向量代表噪声像素点的光强值变化，行向量代表噪声像素点的总个数。
将第N个像素点的局部峰值点数据的最大值作为该像素点的第1个特征数据，如式10所示，
Figure BDA0003166849390000041
N为像素点的个数，[yi](i＝1,2,3...M)为局部峰值点的光强值，M为局部峰值点的个数。
Figure BDA0003166849390000042
将像素点局部峰值点数据其进行升序排列，对于升序排列后的数据，取其后百分之10的数据的均值作为第2个特征数据，[yi](i＝0.9M,0.9M+1,0.9M+2,...M)为局部峰值点的光强值，M为局部峰值点的个数，
Figure BDA0003166849390000043
N为像素点的个数。
yi＝sort(yi), (3)
Figure BDA0003166849390000044
提取像素点局部峰值点数据的均值作为第3个特征数据，[yi](i＝1,2,3...M)为局部峰值点的光强值，M为局部峰值点的个数，
Figure BDA0003166849390000045
N为像素点的个数。
Figure BDA0003166849390000046
对像素点局部峰值点数据进行三次样条插值，将三次样条插值后的数据用如式(6)所示的高斯函数拟合，a为背景光强，b为干涉过程中的零光程差位置，利用复合梯形公式计算拟合曲线在区间[b-3σ,b+3σ]内与直线y＝a的面积，记为K1。将三次样条插值后的数据拟合成平滑的曲线，利用复合梯形公式计算拟合曲线在区间[b-3σ,b+3σ]内与直线y＝a的面积，记为K2。将两面积的比值定义为第4个特征数据，[yi](i＝1,2,3...M)为局部峰值点的光强值，[xi](i＝1,2,3...M)为局部峰值点对应的横坐标，即工作平台移动的次数，M为局部峰值点的个数。
Figure BDA0003166849390000047
N为像素点的个数。
Figure BDA0003166849390000048
Figure BDA0003166849390000051
通过以上四个特征数据代替原始每一行的灰度值变化数据，能够有效改变神经网络训练的速度，在保证预测精度的同时，极大地缩短了处理时间。
(6)所述遗传算法优化BP神经网络的初始参数实现过程如下：
遗传算法优化BP神经网络是用遗传算法来优化BP神经网络的初始权值和阈值，使优化后的BP神经网络能够更好地完成分类等任务，遗传算法优化BP神经网络分为BP神经网络结构确定、遗传算法优化和BP神经网络预测三个部分。
其中，BP神经网络结构确定部分根据拟合函数输入输出参数的个数确定BP神经网络的结构，进而确定遗传算法个体的长度；使用遗传算法优化BP神经网络的权值和阈值，遗传算法种群中的每个个体都包含了一个网络所有的权值和阈值，个体通过适应度函数计算个体适应度值，遗传算法通过选择、交叉和变异操作找到最优适应度值对应的个体，即BP神经网络的权值和阈值；BP神经网络预测用遗传算法得到的最优个体对网络初始权值和阈值的赋值，网络经训练后预测函数的输出。
遗传算法优化BP神经网络的要素包括种群初始化、适应度函数、选择操作、交叉操作和变异操作。下面简要介绍以下上述的几种操作：
I.种群初始化
个体编码方法为实数编码，种群的每个个体均为一个实数串，由输入层与隐含层连接权值、隐含层阈值、隐含层与输出层连接权值以及输出层阈值4部分组成。种群包含了神经网络全部的权值和阈值。
II.适应度函数
初始化的BP神经网络训练后预测的输出和期望的输出之间的误差的绝对值和作为个体适应度值，计算公式为：
Figure BDA0003166849390000052
式中，n为网络输出的节点数；yi为BP神经网络的输出；mi为第个节点的预测输出；β为系数。
III.选择操作
本文采用轮盘赌法，即基于适应度比例的选择策略，每个个体i的选择概率ηi为
Figure BDA0003166849390000061
Figure BDA0003166849390000062
式中，Fi为个体i的适应度值，γ为系数；N为种群个体数目。
IV.交叉操作
由于个体采用实数编码，所以交叉操作方法采用实数交叉法，第k个染色体ak和第1个染色体a1在j位的交叉操作方法如下：
akj＝akj(1-b)+aljb, (11)
alj＝alj(1-b)+akjb, (12)
b是[0,1]间的随机数。
V.变异操作
选取第i个个体的第m个基因aim进行变异，变异操作的方法如下：
aim＝aim+(aim-amax)*f(g)(r＞0.5), (13)
aim＝aim+(amin-aim)*f(g)(r≤0.5), (14)
f(g)＝r2(1-g/Gmax)2, (15)
式中amax为基因aim的上界；amin为基因aim的下界；r2为一个随机数，g为当前迭代次数；Gmax为最大进化次数；r为[0,1]的随机数。
(7)所述BP神经网络判别像素点类型实现过程如下：
设置一个具有3个神经元的输入层、4个神经元的隐含层、1个神经元的输出层的神经网络。对于遗传算法，种群规模为20，迭代次数为10，交叉概率为0.8，变异概率为0.1。将遗传算法得到的最优网络参数构建成一个新的BP神经网络。初始化网络参数，并载入降维后的训练样本，对网络进行训练。将测试数据载入到神经网络，通过神经网络预测输出结果。
(8)所述获取正常像素点高度值的实现过程如下：
对于干涉数据矩阵，矩阵行的数量代表三维图像像素点的总数量，提取每个像素点干涉数据的局部峰值点[ymaxi](i＝1,2,3...M)，M为局部峰值点的总个数，对每个像素点的局部峰值点进行三次样条插值得到插值后的数据为[ymaxi](i＝1,2,3...10M)，获得数据的最大值的横坐标xmax，xmax即为每个像素点白光干涉过程中的零光程差位置坐标，与扫描步距n(n＝60um)做乘积运算，即可得到复原的MPO光纤连接器的三维图像每个正常像素点的高度值Hk(k＝1,2,3...G)，G为像素点的总个数。
(9)所述动态高斯函数均值滤波处理噪声像素点的实现过程如下：
对于MPO光纤连接器的三维图像高度值矩阵，由正常像素点的高度值和噪声像素点的高度值组成，将噪声像素点的高度值赋值为0，采用动态高斯函数加权均值滤波算法对噪声像素点的高度值进行滤波处理。
以处理一个噪声点的高度值为例：取噪声点的高度值为中心，选取大小为V(V＝18×18)的高度值矩阵[hi](i＝1,2,3...V)，计算出所选取矩阵内所有高度值的方差σ2，将均值设置为0，初始化二维高斯函数
Figure BDA0003166849390000071
(x,y)分别为对应高度值在三维图像的行与列的位置，计算出矩阵V的高斯权重矩阵β(β＝18×18)。将选取的高度值矩阵V(V＝18×18)与高斯权重矩阵β(β＝18×18)相乘得到新的矩阵λ(λ＝18×18)，由矩阵λ的均值代替噪声点的高度值。对于MPO光纤连接器的三维图像噪声点高度值都进行上述处理，就会得到较为平滑的高度值矩阵，利用MATLAB软件进行绘图，即可得到MPO光纤连接器的三维图像。
附图说明：
图1为本发明专利的MPO光纤连接器的实物结构图。
图2为本发明专利的CCD相机拍摄的灰度值图像。
图3为本发明专利的MPO光纤连接器测量系统的原理示意图。
图4为本发明专利的MPO光纤连接器测量系统的实物结构图。
图5为本发明专利的训练样本数据特征提取的算法流程图。
图6为本发明专利的遗传算法优化BP神经网络的算法流程图。
图7为本发明专利的动态高斯函数加权均值滤波的算法流程图。
图8为本发明专利应用前后的MPO光纤连接的三维复原图像。
图9为本发明专利的整体算法流程图。
具体实施方式：
结合附图对本发明专利进一步说明。
本发明涉及一种基于优化BP神经网络的MPO表面复原系统，本系统通过选取噪声数据和正确数据作为训练样本，利用特征提取函数对训练样本数据进行降维处理；采用遗传算法优化BP神经网络的阈值和参数，提高BP神经网络对噪声像素点的判别精度；使用动态高斯加权均值滤波对噪声像素点对应的高度值进行处理；得到工厂环境下MPO光纤连接器的3D表面复原图像。
图1为MPO光纤连接器的实物结构图，工厂操作环境下会使MPO光纤连接器表面被杂质污染，影响MPO光纤连接器3D复原的准确度。
图2为本发明专利的CCD相机拍摄的灰度值图像，图中的黑点即为MPO光纤连接器表面的杂质，会对MPO光纤连接器的3D复原造成影响。
图3为基于Michelson型干涉仪测量系统的原理示意图，光源经过准直器后照射到光纤连接器上，光纤连接器插在工作平台上，通过PZT控制仪驱动工作平台向前移动，移动步距为60nm。光束被分光镜一分为二，其中一束光照射到光纤连接器上，作为目标光束，而另一束光被引导照射到参考镜上。参考光束和目标光束反射后，当它们之间的光程差处于光源相干范围内时，就会在空间发生干涉。通过成像物镜后干涉条纹图像被CCD摄像机记录下来,储存在移动硬盘中。
图4为本发明专利基于Michelson型干涉仪测量系统的实物结构图，结构1为白光光源发生器，用于为干涉提供光源；结构2为MPO光纤连接器插口，作为承载光纤连接器的工作平台；结构3为PZT控制仪，用于驱动工作平台向前移动；结构4为参考镜，用于与目标光束发生白光干涉；结构5为分光棱镜，用于将光束一分为二，分给输送到参考镜和光纤连接器；结构6为CCD相机，用于记录干涉条纹的图像；结构7为移动硬盘，用于存储CCD摄像机的扫描图像。
图5为本发明专利的训练样本数据特征提取的算法流程图，首先读入训练样本数据，其列向量代表噪声像素点的光强值变化，行向量代表噪声像素点的总个数。计算训练样本数据的最大值
Figure BDA0003166849390000091
作为第一个特征；将数据进行升序排序，取后百分之十的数据的均值
Figure BDA0003166849390000092
作为第二个特征；提取原数据的局部峰值点作为新的数据，提取新数据的均值
Figure BDA0003166849390000093
作为第三个特征；将新数据减去数据整体的均值，对于减去均值后的数据运用三次样条插值进行曲线拟合以拟合曲线的最大值位置为对称轴,计算对称轴两边拟合曲线与x坐标轴围成的面积，以两边的面积比值与1的差值的绝对值与整数n(n＝250)的乘积
Figure BDA0003166849390000094
作为第四个特征。
图6为本发明专利的遗传算法优化BP神经网络的算法流程图，首先确定各层神经元的个数，利用遗传算法进行选择、交叉和变异确定神经网络的的权值和阈值，构建优化后的BP神经网络。
图7为本发明专利的动态高斯函数加权均值滤波的算法流程图，计算噪声像素点(即脏点)高度值周围矩阵的方差，依据方差和期望构建二维高斯函数，求出矩阵的权重，将选取噪声点周围的高度值矩阵与权重算子做乘积运算，并取运算后的矩阵的和替代噪声点的高度值。
图8为本发明专利应用前后的MPO光纤连接的三维复原图像，可见表面凸起噪声明显减弱，去除噪声效果较好，MPO光纤连接器3D形貌复原效果得到明显改善。
图9为本发明专利的整体算法流程图，本系统分为硬件系统和软件系统：硬件系统应用白光干涉原理，PZT控制仪驱动载有MPO光纤连接器的工作平台从左至右以固定的步距移动，满足白光干涉条件时发生干涉，工作平台移动的同时CCD相机拍摄干涉条纹图像，储存在硬盘中。软件系统通过选取噪声数据和正确数据作为训练样本，利用特征提取函数对训练样本数据进行降维处理；采用遗传算法优化BP神经网络的阈值和参数，提高BP神经网络对噪声像素点的判别精度；使用动态高斯加权均值滤波对噪声像素点对应的高度值进行处理；得到工厂环境下MPO光纤连接器的3D表面复原图像。

Claims (4)

1.本发明涉及一种基于优化BP神经网络的MPO表面复原系统，其特征在于，利用特征提取函数对训练样本数据进行降维处理；采用遗传算法优化BP神经网络的阈值和权值；使用动态高斯加权均值滤波算法对噪声像素点对应的高度值进行处理。
2.根据权利要求1所述的特征提取函数，其特征在于：提取像素点的干涉数据中的最大值作为本数据的第一个特征；对于像素点的干涉数据进行升序排序，去后百分之十的数据的均值作为本数据的第二个特征；提取干涉数据的局部峰值点作为新数据，求取新数据的均值作为本数据的第三个特征；提取干涉数据的局部峰值点作为新数据，将新数据减去其均值，对于减去均值后的数据应用三次样条插值，并将插值后的数据进行曲线拟合，以拟合曲线的最大值位置作为对称轴，计算对称轴两边曲线与x轴围成的面积，以两边的面积比值与1的差值的绝对值与整数n(n＝250)的乘积作为第四个特征。
3.根据权利要求1所述的遗传算法优化BP神经网络的阈值和权值，其特征在于：通过遗传算法优化BP神经网络的权值和阈值。
4.根据权利要求1所述的动态高斯函数加权均值滤波，其特征在于：二维高斯函数的均值为0，以噪声像素点高度值为算子矩阵的中心，算子矩阵的方差作为二维高斯函数的方差，依据此二维高斯函数对噪声点进行动态高斯均值滤波。
CN202110806645.4A 2021-07-16 2021-07-16 一种基于优化bp神经网络的mpo表面复原系统 Pending CN113409226A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110806645.4A CN113409226A (zh) 2021-07-16 2021-07-16 一种基于优化bp神经网络的mpo表面复原系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110806645.4A CN113409226A (zh) 2021-07-16 2021-07-16 一种基于优化bp神经网络的mpo表面复原系统

Publications (1)

Publication Number Publication Date
CN113409226A true CN113409226A (zh) 2021-09-17

Family

ID=77686606

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110806645.4A Pending CN113409226A (zh) 2021-07-16 2021-07-16 一种基于优化bp神经网络的mpo表面复原系统

Country Status (1)

Country Link
CN (1) CN113409226A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116912205A (zh) * 2023-07-13 2023-10-20 上海频准激光科技有限公司 一种基于神经网络模型的光纤熔接质量预测方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116912205A (zh) * 2023-07-13 2023-10-20 上海频准激光科技有限公司 一种基于神经网络模型的光纤熔接质量预测方法
CN116912205B (zh) * 2023-07-13 2024-03-08 上海频准激光科技有限公司 一种基于神经网络模型的光纤熔接质量预测方法

Similar Documents

Publication Publication Date Title
Xu et al. Multi-scale geometric consistency guided multi-view stereo
CN108592823B (zh) 一种基于双目视觉彩色条纹编码的解码方法
CN115330958B (zh) 基于激光雷达的实时三维重建方法及装置
Yang et al. Prediction of surface roughness in turning operations by computer vision using neural network trained by differential evolution algorithm
CN113409226A (zh) 一种基于优化bp神经网络的mpo表面复原系统
CN113358065B (zh) 一种基于二值编码的三维测量方法及电子设备
CN112270692B (zh) 一种基于超分辨的单目视频结构和运动预测的自监督方法
CN110490924B (zh) 一种基于多尺度Harris的光场图像特征点检测方法
CN113327231B (zh) 一种基于空谱联合的高光谱异常目标检测方法和系统
CN113554608A (zh) 一种有效提高mpo表面复原精度的检测系统
JP6254849B2 (ja) 画像処理装置、画像処理方法
CN117274515A (zh) 基于ORB和NeRF映射的视觉SLAM方法及系统
Malik et al. A Fuzzy-Neural approach for estimation of depth map using focus
CN115953550A (zh) 针对线结构光扫描的点云离群点剔除系统及方法
CN115482268A (zh) 一种基于散斑匹配网络的高精度三维形貌测量方法与系统
CN116228684A (zh) 一种电池壳体外观缺陷图像处理方法及装置
CN109598771B (zh) 一种多地貌特征约束的地形合成方法
KR100691855B1 (ko) 영상정보의 특징 추출장치 및 그 방법
CN116823664B (zh) 一种遥感图像云去除方法及系统
CN114119417A (zh) 一种图像处理方法、系统及存储介质
CN112802084A (zh) 基于深度学习的三维形貌测量方法、系统和存储介质
CN110599392B (zh) 基于计算鬼成像的光学图像隐藏方法
Gapon et al. Depth-map inpainting using learned patch-based propagation
CN111141230A (zh) 一种基于频率优化抖动算法的三维深度数据获取方法
CN115018726A (zh) 一种基于U-Net的图像非均匀模糊核的估计方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication