這學(xué)期的人工神經(jīng)網(wǎng)絡(luò)課程已經(jīng)進行完了第三章內(nèi)容，關(guān)于經(jīng)典網(wǎng)絡(luò)重要的BP（誤差反向傳播網(wǎng)絡(luò)）是所有學(xué)習(xí)人工神經(jīng)網(wǎng)絡(luò)最先接觸到的一個實用網(wǎng)絡(luò)。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(xué)習(xí)神經(jīng)網(wǎng)絡(luò)的基本原理之后，更重要的是能夠通過一些應(yīng)用場合來應(yīng)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：

▲ 屏幕截取的一段文字

識別時間：1.98。* 識別結(jié)果：

［［‘●’， ‘更’， ‘新’， ‘了’， ‘訓(xùn)’， ‘練’， ‘代’， ‘碼’， ‘，’， ‘使’， ‘用’， ‘m’， ‘x’， ‘n’， ‘e’， ‘t’， ‘的’， ‘r’， ‘e’， ‘c’， ‘o’， ‘r’， ‘d’， ‘i’， ‘o’， ‘首’， ‘先’， ‘把’， ‘?dāng)?shù)’， ‘據(jù)’， ‘轉(zhuǎn)’， ‘換’， ‘成’， ‘二’， ‘進’， ‘制’， ‘格’， ‘式’， ‘，’， ‘提’， ‘升’， ‘后’， ‘續(xù)’， ‘的’］， ［‘訓(xùn)’， ‘練’， ‘效’， ‘率’， ‘?！?， ‘訓(xùn)’， ‘練’， ‘時’， ‘支’， ‘持’， ‘對’， ‘圖’， ‘片’， ‘做’， ‘實’， ‘時’， ‘?dāng)?shù)’， ‘據(jù)’， ‘增’， ‘強’， ‘。’， ‘也’， ‘加’， ‘入’， ‘了’， ‘更’， ‘多’， ‘可’， ‘傳’， ‘入’， ‘的’， ‘參’， ‘?dāng)?shù)’， ‘。’］， ［‘●’， ‘允’， ‘許’， ‘訓(xùn)’， ‘練’， ‘集’， ‘中’， ‘的’， ‘文’， ‘字’， ‘?dāng)?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(xùn)’， ‘練’， ‘多’， ‘種’， ‘不’， ‘同’， ‘大’， ‘小’， ‘的’， ‘識’， ‘別’， ‘模’， ‘型’， ‘。’］， ［‘●’， ‘ ’， ‘內(nèi)’， ‘置’， ‘了’， ‘各’， ‘種’， ‘訓(xùn)’， ‘練’， ‘好’， ‘的’， ‘模’， ‘型’， ‘，’， ‘最’， ‘小’， ‘的’， ‘?！?‘型’， ‘只’， ‘有’， ‘之’， ‘前’， ‘?！?， ‘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：

▲ 只是數(shù)字部分

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(luò)沒有針對上述液晶實現(xiàn)數(shù)字進行訓(xùn)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(luò)就可以達到很好的效果。

下面給出在MATLAB中構(gòu)建網(wǎng)絡(luò)并進行實驗的過程。

使用神經(jīng)網(wǎng)絡(luò)解決問題，一個重要的環(huán)節(jié)就是進行訓(xùn)練數(shù)據(jù)的準(zhǔn)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(biāo)注，來完成對網(wǎng)絡(luò)的訓(xùn)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(biāo)出結(jié)果字符位置也可以適用于后面測量結(jié)果。

▲ 液晶數(shù)字顯示以及數(shù)字部分

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(luò)來彌補。

▲ 分割出的數(shù)字

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：

▲ 數(shù)字變化過程的圖片

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(biāo)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。

上面所有的字符的尺寸是23乘以38點陣。

1.構(gòu)建網(wǎng)絡(luò)和訓(xùn)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(luò)。

net = patternnet（11）

▲ 構(gòu)造一個單隱層神經(jīng)網(wǎng)絡(luò)

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

plotconfusion（xx， net（yy））

▲ 訓(xùn)練結(jié)果

2.訓(xùn)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。

▲ 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(biāo)注的時候就存在模糊。

《《《 左右滑動見更多 》》》

3.網(wǎng)絡(luò)結(jié)構(gòu)與錯誤率

下面給出了網(wǎng)絡(luò)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?dāng)中間隱層節(jié)點大于5之后，識別性能就不再有明顯的變化了。

隱層節(jié)點個數(shù)234567891011

錯誤數(shù)量181065621677696665725868

▲ 隱層節(jié)點個數(shù)與錯誤率

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

通過上面的測試結(jié)果來看，簡單的單隱層網(wǎng)絡(luò)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(xùn)練樣本和改進網(wǎng)絡(luò)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。

責(zé)任編輯：haq