祝 磊，韓自營(yíng)，阮宇靜，何小宇

(杭州電子科技大學(xué) 生命信息與儀器工程學(xué)院，浙江 杭州 310018)

0 引 言

輪胎胎面定長(zhǎng)裁斷是輪胎生產(chǎn)過(guò)程中的重要環(huán)節(jié)，其裁斷精度直接影響到輪胎成型半成品和輪胎成品的質(zhì)量[1]。實(shí)際生產(chǎn)環(huán)境中通過(guò)在系統(tǒng)傳動(dòng)輥輪合適位置上布置編碼器，通過(guò)對(duì)輪胎胎面?zhèn)鬏斶^(guò)程中所生成的有效脈沖信號(hào)進(jìn)行分析，以此檢測(cè)輪胎胎面的長(zhǎng)度，并且當(dāng)檢測(cè)到的胎面長(zhǎng)度與實(shí)際所需胎面長(zhǎng)度一致時(shí)，啟動(dòng)系統(tǒng)中的裁斷機(jī)構(gòu)，從而完成輪胎里面的有效裁斷[2]。上面這種方式裁斷的輪胎胎面往往需要二次測(cè)量以保證裁斷精度，這是因?yàn)閷?shí)際傳送系統(tǒng)往往在運(yùn)行的時(shí)候存在打滑等很多不可控因素。工人在生產(chǎn)現(xiàn)場(chǎng)對(duì)裁斷后的輪胎胎面往往采用卷尺抽取檢測(cè)的方式，然而這種方法存在很多缺陷，例如：人工執(zhí)行效率低下、檢測(cè)容易出現(xiàn)偏差、抽查導(dǎo)致檢測(cè)不完全等等。基于此本文利用機(jī)器視覺(jué)的方法，應(yīng)用在輪胎胎面檢測(cè)領(lǐng)域，設(shè)計(jì)并實(shí)現(xiàn)了一種有效的在線(xiàn)檢測(cè)系統(tǒng)。該系統(tǒng)可以精確地檢測(cè)到輪胎的幾何量(長(zhǎng)度和傾斜角)和胎面字符信息，幾何量的檢測(cè)用于輪胎的裁斷定長(zhǎng)，而胎面字符的檢測(cè)是為了實(shí)現(xiàn)不同輪胎規(guī)格的自動(dòng)切換，其中胎面字符的檢測(cè)識(shí)別采用的是多層感知器(MLP)方法，通過(guò)實(shí)驗(yàn)獲得最佳的網(wǎng)絡(luò)結(jié)構(gòu)并應(yīng)用到該系統(tǒng)中。該檢測(cè)系統(tǒng)經(jīng)現(xiàn)場(chǎng)測(cè)試結(jié)果表明，輪胎長(zhǎng)度裁斷精確度和字符檢測(cè)識(shí)別準(zhǔn)確率符合工業(yè)要求，從而可以實(shí)現(xiàn)輪胎生產(chǎn)的自動(dòng)化、智能化，具有很好地實(shí)際應(yīng)用價(jià)值。

1 系統(tǒng)總體設(shè)計(jì)

實(shí)際生產(chǎn)環(huán)境中的輪胎胎面的長(zhǎng)度是最終產(chǎn)品要求的重要指標(biāo)，為了有效減小輪胎胎面的傾斜對(duì)最終檢測(cè)長(zhǎng)度的干擾需要進(jìn)行傾斜角的測(cè)定；字符檢測(cè)的目的在于提高生產(chǎn)效率即完成輪胎生產(chǎn)過(guò)程中不同規(guī)格的自動(dòng)切換；檢測(cè)完成，根據(jù)幾何量和字符檢測(cè)結(jié)果進(jìn)行自動(dòng)存儲(chǔ)和查詢(xún)。輪胎胎面測(cè)長(zhǎng)系統(tǒng)主要完成對(duì)圖像中胎面的長(zhǎng)度、傾斜角和字符的檢測(cè)、保存，系統(tǒng)框架如圖1所示。圖像采集裝置在工控機(jī)接收到下位機(jī)發(fā)送的拍照指令之后啟動(dòng)并開(kāi)始采集輥道上的圖像；采集裝置收集到的圖像經(jīng)過(guò)上位機(jī)軟件完成輪胎胎面長(zhǎng)度的檢測(cè)以及胎面字符的識(shí)別并保存最終結(jié)果到數(shù)據(jù)庫(kù)中。

圖1 輪胎胎面檢測(cè)系統(tǒng)框架

1.1 工控機(jī)和下位機(jī)

經(jīng)過(guò)對(duì)橡膠輪胎實(shí)際生產(chǎn)操作流程、環(huán)境以及輪胎胎面在線(xiàn)檢測(cè)系統(tǒng)需求的綜合考察、研究與分析，該系統(tǒng)最終選取研華UNO-2174A工控機(jī)，下位機(jī)采用三菱FX系列的PLC。工控機(jī)與下位機(jī)之間通過(guò)RS232串口連接進(jìn)行數(shù)據(jù)傳輸。

1.2 圖像采集單元

在本系統(tǒng)中，采用規(guī)格為1300×80×100的LED作為測(cè)光光源、1300×200×100的LED作為背光光源[3]，系統(tǒng)的光源布局如圖2(a)所示。同時(shí)選擇500萬(wàn)像素的千兆網(wǎng)CMOS工業(yè)相機(jī)，最高分辨率為2592×1944，6 mm鏡頭。胎面測(cè)長(zhǎng)系統(tǒng)的相機(jī)和鏡頭如圖2(b)所示。

圖2 圖像采集單元的組成部分

1.3 上位機(jī)軟件

本系統(tǒng)基于VS2010C#和Halcon平臺(tái)進(jìn)行上位機(jī)軟件設(shè)計(jì)，基于Halcon平臺(tái)[4]，對(duì)圖像采集單元在工控機(jī)中輸出的胎面圖像，根據(jù)機(jī)器視覺(jué)和圖像處理方法，檢測(cè)圖像中胎面的像素長(zhǎng)度、傾斜角和字符信息。

2 檢測(cè)系統(tǒng)軟件設(shè)計(jì)

在檢測(cè)系統(tǒng)軟件方面，首先需要正確采集到輪胎胎面的圖像；再根據(jù)幾何量和字符檢測(cè)的基本原理設(shè)計(jì)具體檢測(cè)方法，實(shí)現(xiàn)像素長(zhǎng)度、傾斜角和字符的檢測(cè)，最后存儲(chǔ)檢測(cè)結(jié)果。

2.1 檢測(cè)幾何量

幾何量檢測(cè)的流程如圖3所示。

圖3 幾何量檢測(cè)的流程

2.1.1 圖像預(yù)處理和胎面輪廓提取

對(duì)采集的胎面圖像進(jìn)行圖像預(yù)處理，主要包括圖像增強(qiáng)、圖像去噪等[5]。胎面輪廓提取的具體步驟如下：①在Halcon中，根據(jù)圖像特征和Halcon軟件的特征檢測(cè)功能確定了區(qū)域右下角坐標(biāo)column2、區(qū)域中心的縱坐標(biāo)row、區(qū)域面積area、最小周邊矩形的方向性rect2_phi等4個(gè)特征參數(shù)；②利用select_shape算子提取出滿(mǎn)足上述4個(gè)特征參數(shù)的區(qū)域；③用尺寸3×3的結(jié)構(gòu)元素對(duì)經(jīng)過(guò)步驟②處理的圖像進(jìn)行形態(tài)學(xué)上的腐蝕和膨脹處理；④對(duì)③中得到的結(jié)果二值化；⑤對(duì)④中的得到的二值化之后的圖采取邊緣檢測(cè)的方法，具體采用的是sobel算子(5×5大小)；⑥采用閾值法對(duì)邊緣檢測(cè)后的圖像進(jìn)行閾值分割[6]，以提取出胎面輪廓。

2.1.2 長(zhǎng)度檢測(cè)

經(jīng)過(guò)2.1.1小結(jié)的處理可以得到胎面輪廓，對(duì)該輪廓里的區(qū)域首先選擇smallest_retanglel算子得到最小外界矩陣，此時(shí)輪胎胎面長(zhǎng)度所表示的像素大小即是該最小外接矩陣的相應(yīng)的最右側(cè)的坐標(biāo)值。實(shí)際輪胎胎面的長(zhǎng)度可以根據(jù)圖像像素大小與實(shí)際長(zhǎng)度的映射關(guān)系進(jìn)行標(biāo)定，具體標(biāo)定方法：①在靜止的傳送輥道上放置一段胎面橡膠；②用本系統(tǒng)流程多次檢測(cè)采集圖像中的胎面像素長(zhǎng)度并記錄；③用卷尺測(cè)量傳送輥道上胎面的實(shí)際長(zhǎng)度并記錄；④計(jì)算圖像中胎面像素長(zhǎng)度與實(shí)際長(zhǎng)度之間的映射關(guān)系。最終得到的映射關(guān)系為：實(shí)際長(zhǎng)度(mm)=0.168×胎面像素長(zhǎng)度(pixel)。如圖4所示，1497為胎面圖像中胎面的像素長(zhǎng)度，其實(shí)際長(zhǎng)度為251.496 mm。

2.1.3 傾斜角檢測(cè)

傾斜角即胎面下端輪廓線(xiàn)與水平線(xiàn)之間的夾角。首先用sobel_dir算子對(duì)提出的胎面輪廓進(jìn)行邊緣方向檢測(cè)以提取胎面下端輪廓線(xiàn)。根據(jù)目標(biāo)線(xiàn)段的特征，采用select_shape算子得到目標(biāo)線(xiàn)段，再用angle_ll算子計(jì)算目標(biāo)線(xiàn)段與水平線(xiàn)段之間的角度。如圖4所示，0.76748為胎面圖像中胎面的傾斜角。

圖4 幾何量測(cè)量結(jié)果

2.2 字符檢測(cè)

字符的檢測(cè)能夠提高生產(chǎn)效率實(shí)現(xiàn)輪胎生產(chǎn)規(guī)格的自動(dòng)切換。

2.1節(jié)完成了輪胎胎面的長(zhǎng)度以及傾斜角的檢測(cè)，本節(jié)主要介紹胎面字符的檢測(cè)，檢測(cè)流程如圖5所示。

圖5 字符檢測(cè)實(shí)現(xiàn)流程

2.2.1 圖像預(yù)處理與字符分割

(1)方向校正、ROI提取

首先對(duì)輪胎胎面圖像選取合適的校正算子進(jìn)行處理得到校正后的胎面圖，如圖6(a)、圖6(b)所示：其中圖6(c)所示為對(duì)字符區(qū)域特征提取ROI[7]。

圖6 圖像經(jīng)過(guò)方向校正、ROI提取處理

(2)像素反轉(zhuǎn)、閾值分割、形態(tài)學(xué)處理

因?yàn)樘ッ姹旧硎呛谏ッ娴淖址前咨?，所以可以通過(guò)圖像像素灰度值翻轉(zhuǎn)的操作提高識(shí)別率。255-Gray_ROI是指翻轉(zhuǎn)后的像素值；閾值分割結(jié)果，如圖7(a)所示；圖7(b)、圖7(c)分別是經(jīng)過(guò)膨脹的方法和特征選擇之后的得到的結(jié)果。

圖7 處理結(jié)果

(3)字符分割

對(duì)(2)中得到的圖像進(jìn)行字符分割，分割流程如下：①獲取胎面圖像的最小外接矩陣通過(guò)選擇shape_tran算子；②選取partition_rectangle算子分割最小外接矩陣得到C1大小為111.7×95；③選取intersection算子計(jì)算C1里的區(qū)域塊和閾值分割處理后的區(qū)域塊的交集得到圖像C。如圖8(b)所示。字符訓(xùn)練前，為保證原始圖像中字符的位置與訓(xùn)練中的維持次序一樣，選擇sort_region算子根據(jù)行的次序?qū)Ψ指畹玫降膱D排序。

圖8 字符分割結(jié)果

2.2.2 字符訓(xùn)練

如圖9所示字符訓(xùn)練的流程。

圖9 字符訓(xùn)練的流程

2.2.3 MLP字符分類(lèi)器

如圖10所示的包含一個(gè)隱層的多層感知器(MLP)網(wǎng)絡(luò)，從圖中可知MLP能夠?qū)崿F(xiàn)輸入d維x到輸出o的一個(gè)變換，其中y的維數(shù)根據(jù)實(shí)際問(wèn)題而變化[8]。

圖10 含有一個(gè)隱藏層的MLP網(wǎng)絡(luò)

多層感知器(MLP)由輸入層、隱藏層、輸出層組成，若已知MLP的輸入層的特征向量(x1,x2,…xn)，則根據(jù)式(1)計(jì)算隱藏層中的一個(gè)神經(jīng)元的輸出

(1)

2.3 字符檢測(cè)性能分析

本文實(shí)驗(yàn)是基于Halcon平臺(tái)的，其中MLP參數(shù)選擇是一個(gè)需要在字符訓(xùn)練文件上不斷驗(yàn)證的過(guò)程。胎面圖像來(lái)源于實(shí)際生產(chǎn)車(chē)間中使用同一相機(jī)參數(shù)拍攝制作的胎面圖像庫(kù)，其中訓(xùn)練樣本都來(lái)自于每張圖片上至少存在10個(gè)字符的胎面圖，總共選取100張?zhí)ッ鎴D；測(cè)試樣本來(lái)源于訓(xùn)練集之外的80張?zhí)ッ鎴D。圖片數(shù)量和字符個(gè)數(shù)的分布情況見(jiàn)表1。

表1 圖片數(shù)量分布

2.3.1 MLP參數(shù)對(duì)字符檢測(cè)的影響

MLP網(wǎng)絡(luò)中隱藏層的數(shù)目對(duì)網(wǎng)絡(luò)的識(shí)別率有著巨大影響，實(shí)驗(yàn)中探究合適的MLP網(wǎng)絡(luò)隱層數(shù)目[9]確定最終的網(wǎng)絡(luò)結(jié)構(gòu)。在訓(xùn)練過(guò)程中，10、20、30、40、60、80分別作為實(shí)驗(yàn)隱層數(shù)目，考慮到實(shí)際生產(chǎn)要求，在字符檢測(cè)的準(zhǔn)確率以及執(zhí)行效率上這兩個(gè)方面進(jìn)行性能上的分析。

(1)檢測(cè)準(zhǔn)確率

由表2可得，當(dāng)隱層數(shù)目為80、20時(shí)，訓(xùn)練錯(cuò)誤率分別為0.000 12、0.000 52，檢測(cè)1403個(gè)字符達(dá)到99.6%、98.7%的準(zhǔn)確率。

表2 字符檢測(cè)準(zhǔn)確率

(2)檢測(cè)時(shí)間

表3可得當(dāng)隱層數(shù)目為20時(shí)總檢測(cè)時(shí)間最短為12.974 s，當(dāng)隱層數(shù)目為80時(shí)總檢測(cè)時(shí)間為16.674 s。

2.3.2 確定合適的MLP參數(shù)

由2.3.1中在檢測(cè)準(zhǔn)確率和檢測(cè)時(shí)間這兩個(gè)方面上的性能比較分析可以得到，準(zhǔn)確率最高可以得到99.6%，此時(shí)的MLP網(wǎng)絡(luò)隱層數(shù)為80且檢測(cè)時(shí)間是16.674 s；12.974 s是所有檢測(cè)時(shí)間中最少，此時(shí)隱層數(shù)是20，準(zhǔn)確率同樣高達(dá)98.7%。因?yàn)樽罱K需要應(yīng)用在實(shí)際生產(chǎn)環(huán)境下，所以考慮檢測(cè)率和執(zhí)行效率這兩者要求后決定采取包含20隱層數(shù)的MLP分類(lèi)器。

表3 不同隱層數(shù)目的字符平均檢測(cè)時(shí)間/s

2.4 MLP分類(lèi)器性能分析

分別選擇由2.3.1里確定的隱層數(shù)目為20的MLP分類(lèi)器、q為2的多項(xiàng)式核函數(shù)的支持向量機(jī)(SVM)[10]分類(lèi)器對(duì)測(cè)試樣本進(jìn)行分析，主要是檢測(cè)率以及檢測(cè)時(shí)間這兩個(gè)性能。其中測(cè)試樣本含80張圖片共1125個(gè)字符。

(1)檢測(cè)準(zhǔn)確率

字符檢測(cè)準(zhǔn)確率見(jiàn)表4。MLP分類(lèi)器檢測(cè)準(zhǔn)確率更高，MLP和SVM分類(lèi)器的準(zhǔn)確率分別為98.5%,96.7%，相差1.8%。

表4 分類(lèi)器檢測(cè)率

(2)檢測(cè)時(shí)間

字符檢測(cè)時(shí)間見(jiàn)表5，MLP分類(lèi)器檢測(cè)效率更高，其中MLP和SVM分類(lèi)器的檢測(cè)時(shí)間分別為8.865 s、9.848 s，平均每張圖片相差12.288 ms。

表5 字符檢測(cè)時(shí)間

對(duì)測(cè)試樣本進(jìn)行檢測(cè)分析發(fā)現(xiàn)，在檢測(cè)準(zhǔn)確率和檢測(cè)時(shí)間的對(duì)比上MLP分類(lèi)器效果明顯好于SVM分類(lèi)器。

2.5 存儲(chǔ)數(shù)據(jù)

在VS2010C#中，通過(guò)C#與MySQL數(shù)據(jù)庫(kù)之間建立連接、創(chuàng)建表格、插入信息、讀取信息，提供保存數(shù)據(jù)和查詢(xún)數(shù)據(jù)。這樣當(dāng)輪胎生產(chǎn)規(guī)格改變時(shí)可以通過(guò)字符在線(xiàn)檢測(cè)和數(shù)據(jù)庫(kù)查詢(xún)功能來(lái)決定當(dāng)前輪胎定長(zhǎng)裁斷的規(guī)格，從而實(shí)現(xiàn)輪胎定長(zhǎng)裁斷環(huán)節(jié)的自動(dòng)化。

3 檢測(cè)結(jié)果及分析

通過(guò)部署在實(shí)際生產(chǎn)車(chē)間并對(duì)該檢測(cè)系統(tǒng)進(jìn)行現(xiàn)場(chǎng)測(cè)試，測(cè)試性能包括輪胎胎面幾何量和胎面字符檢測(cè)，最后對(duì)整個(gè)現(xiàn)場(chǎng)測(cè)試結(jié)果做進(jìn)一步的分析。其中現(xiàn)場(chǎng)測(cè)試數(shù)據(jù)來(lái)源于實(shí)時(shí)采集到的胎面圖像總共包含400張圖片。

3.1 系統(tǒng)幾何量檢測(cè)準(zhǔn)確率分析

在測(cè)試樣本中，幾何量測(cè)試得到檢測(cè)準(zhǔn)確率，見(jiàn)表6。從表6中可知，現(xiàn)場(chǎng)的實(shí)時(shí)長(zhǎng)度檢測(cè)率高達(dá)96.8%，同時(shí)角度上的檢測(cè)率同樣可以達(dá)到98.0%。

表6 長(zhǎng)度、角度檢測(cè)準(zhǔn)確率

3.2 字符檢測(cè)準(zhǔn)確率分析

表7所示代表的是實(shí)際生產(chǎn)車(chē)間實(shí)時(shí)字符檢測(cè)的結(jié)果，表中可知即使在最復(fù)雜其中每張圖片包含19字符輪胎胎面圖像上的檢測(cè)率依然能夠高達(dá)96.8%。

表7 字符檢測(cè)的準(zhǔn)確率

3.3 系統(tǒng)檢測(cè)精度分析

進(jìn)行系統(tǒng)檢測(cè)精度分析時(shí)，在現(xiàn)場(chǎng)人工手動(dòng)采用卷尺對(duì)傳送輥道上的輪胎胎面進(jìn)行長(zhǎng)度測(cè)量并記錄；作為對(duì)比，查詢(xún)數(shù)據(jù)庫(kù)中的這400張輪胎胎面圖像的在線(xiàn)系統(tǒng)檢測(cè)結(jié)果并導(dǎo)出，進(jìn)行精度分析，從396組正確檢測(cè)數(shù)據(jù)中挑出6組整理見(jiàn)表8。由表8數(shù)據(jù)可知，卷尺測(cè)量和系統(tǒng)標(biāo)定的結(jié)果精度可以達(dá)到0.1 mm、0.001 mm，基于機(jī)器視覺(jué)的測(cè)長(zhǎng)方式可滿(mǎn)足更高的要求；兩個(gè)測(cè)量結(jié)果之間的偏差在可接受范圍內(nèi)，且實(shí)際生產(chǎn)線(xiàn)上可容許偏差較小的檢測(cè)結(jié)果。

本系統(tǒng)基于機(jī)器視覺(jué)的非接觸式測(cè)量得到實(shí)際胎面長(zhǎng)度，檢測(cè)速度、精度較人工卷尺接觸式測(cè)量都有較大提高，減少了人為因素、環(huán)境因素對(duì)測(cè)量結(jié)果造成的影響，同時(shí)提高了檢測(cè)效率，體現(xiàn)了機(jī)器視覺(jué)檢測(cè)技術(shù)在生產(chǎn)線(xiàn)上的優(yōu)勢(shì)。

表8 系統(tǒng)檢測(cè)結(jié)果及卷尺測(cè)量結(jié)果

4 結(jié)束語(yǔ)

本文針對(duì)胎面長(zhǎng)度人工二次抽檢存在的效率較低、檢測(cè)不全面等不足，設(shè)計(jì)了基于機(jī)器視覺(jué)的輪胎胎面檢測(cè)系統(tǒng)。根據(jù)胎面生產(chǎn)線(xiàn)和生產(chǎn)現(xiàn)場(chǎng)的環(huán)境，選擇了由光源、相機(jī)和鏡頭組成的圖像采集單元。針對(duì)胎面長(zhǎng)度、傾斜角以及字符這3個(gè)方面分別設(shè)計(jì)了基于3種有效且效率高的檢測(cè)方法。最終在實(shí)際生產(chǎn)環(huán)境下進(jìn)行系統(tǒng)測(cè)試，測(cè)試結(jié)果表明本文設(shè)計(jì)的基于機(jī)器視覺(jué)的輪胎胎面檢測(cè)系統(tǒng)能夠提高檢測(cè)效率、精度并有助于提高輪胎胎面檢測(cè)的自動(dòng)化程度。該系統(tǒng)完全符合設(shè)計(jì)要求，具有很高的實(shí)際應(yīng)用價(jià)值。

參考文獻(xiàn)：

[1]LU Yonggao,WANG Xihua,WANG Lianyun,et al.Deve-lopment of cushion rubber automatic fixed-length cutting machine for TBR[J].Plastics Technology and Equipment,2016,42(17):40-43(in Chinese).[陸永高,王錫花,王聯(lián)韻,等.全鋼載重子午胎墊膠自動(dòng)定長(zhǎng)裁切機(jī)的研制[J].橡塑技術(shù)與裝備,2016,42(17):40-43.]

[2]SUN Yumei,WANG Pengyao,SUN Qiaoyan,et al.Research and application of on-line automatic measurement system for tire tread parameters[J].Chinese Journal of Scientific Instrument,2016,37(12):2859-2865(in Chinese).[孫玉梅,王鵬遙,孫巧妍,等.輪胎胎面參數(shù)在線(xiàn)檢測(cè)系統(tǒng)研究及應(yīng)用[J].儀器儀表學(xué)報(bào),2016,37(12):2859-2865.]

[3]ZHU Baowei.Lighting design in machine vision[J].Electronic Science and Technology,2013,26(3):80-82(in Chinese).[朱寶偉.機(jī)器視覺(jué)中的光源照明設(shè)計(jì)[J].電子科技,2013,26(3):80-82.]

[4]ZHANG Zhu,ZHANG Ying,YAN Fan,et al.Application study of omnidirectional camera calibration based on HALCON[J].Computer Engineering and Applications,2016,52(10):241-246(in Chinese).[張柱,張瑩,閆璠,等.基于HALCON的全景攝像機(jī)標(biāo)定及應(yīng)用研究[J].計(jì)算機(jī)工程與應(yīng)用,2016,52(10):241-246.]

[5]LI Hua.Precision measurement based on computer vision image analysis of the key technologies[J].Computer Knowledge and Technology,2013,9(5):1211-1212(in Chinese).[李華.基于計(jì)算機(jī)視覺(jué)圖像精密測(cè)量的關(guān)鍵技術(shù)分析[J].電腦知識(shí)與技術(shù),2013,9(5):1211-1212.]

[6]SHA Sha,PENG Li,LUO Sanding.A threshold image segmentation algorithm directed by edge information[J].Journal of Image and Graphics,2016,15(3):490-494(in Chinese).[沙莎,彭麗,羅三定.邊緣信息引導(dǎo)的閾值圖像分割算法[J].中國(guó)圖象圖形學(xué)報(bào),2016,15(3):490-494.]

[7]YUAN Yuan,FAN Wanmei.A method for ROI extraction based on background statistics[J].Journal of Chongqing University of Technology,2012,26(3):89-92(in Chinese).[袁源,樊萬(wàn)梅.基于背景統(tǒng)計(jì)的ROI提取方法[J].重慶理工大學(xué)學(xué)報(bào),2012,26(3):89-92.]

[8]HE Liqun,ZHAN Yongping.The research of perception mo-del of neural network[J].Journal of Jiujiang University,2014(4):37-39(in Chinese).[何立群,占永平.感知器神經(jīng)網(wǎng)絡(luò)模型研究[J].九江學(xué)院學(xué)報(bào),2014(4):37-39.]

[9]ZENG Xiaoqing.Study on the parameter optimization problem of BP neural network in the modeling[J].Meteorological Monthly,2013,39(3):333-339(in Chinese).[曾曉青.BP神經(jīng)網(wǎng)絡(luò)在建模中的參數(shù)優(yōu)化問(wèn)題研究[J].氣象,2013,39(3):333-339.]

[10]GUO Keyou,GUO Xiaoli,WANG Yiwei.Analysis and strategy for parameter optimization methods of SVM[J].Computer Measurement & Control,2016,24(6):255-259(in Chinese).[郭克友,郭曉麗,王藝偉.SVM參數(shù)優(yōu)化方法分析與決策[J].計(jì)算機(jī)測(cè)量與控制,2016,24(6):255-259.]