【摘 要】
:
纸币清分机的主要功能在于纸币图像识别、纸币分类清分,随着需求的不断增长,传统纸币清分机暴露出图像识别分辨率低、识别速度慢的问题。这些问题也引起了模式识别领域的重点关注。有研究提出了一种基于高速高精度纸币清分系统的算法类型,此类算法可以改善传统纸币清分机的弊端,本文选取了其中较具代表性的CPN算法进行研究,CPN算法相比与其他算法具有优势,CPN算法虽然速度上略慢但尚处于合格范围内,而CPN算法的准
论文部分内容阅读
纸币清分机的主要功能在于纸币图像识别、纸币分类清分,随着需求的不断增长,传统纸币清分机暴露出图像识别分辨率低、识别速度慢的问题。这些问题也引起了模式识别领域的重点关注。有研究提出了一种基于高速高精度纸币清分系统的算法类型,此类算法可以改善传统纸币清分机的弊端,本文选取了其中较具代表性的CPN算法进行研究,CPN算法相比与其他算法具有优势,CPN算法虽然速度上略慢但尚处于合格范围内,而CPN算法的准确率要高于其他算法,并且可以识别面向,所以综合分析下CPN算法为最优算法。
其他文献
介绍了光场重聚焦算法并在System Generator平台上实现该算法的建模与仿真,设计目的是将多视角序列图像通过平移叠加的方式实现"先拍照后聚焦"的处理功能,并从资源消耗情况和片上处理速度两方面对光场重聚焦算法在FPGA硬件实现进行评估。采用图形化的建模方式,使得光场算法在FPGA中的实现变得更为简单快捷,大幅缩短开发周期,同时光场算法的硬件加速在光场信息的采集与实时处理等领域有重要的研究价值
针对水中气泡与固体悬浮微粒不易区分的问题,提出了一种基于Zernike矩与灰度计算的水下光学气泡图像识别方法。该方法主要分为图像划分、图像预处理和特征提取三个步骤。首先,获取水下悬浮微粒的图像,从中划分出单个气泡并选取部分样本;为了更好地提取与表示气泡轮廓与灰度特征,然后采用图像预处理方法增强气泡边缘特征,选择并构建气泡特征库;最后,采用Zernike矩计算悬浮微粒特征的相似度,区分圆形微粒与非圆
针对传统的丢包对视频质量影响研究的局限性,提出一种差错敏感度模型。对每个受损块提取周围块的丢失情况、纹理复杂度、运动矢量和梯度等可用的统计特征;对丢包视频进行差错隐藏,计算出差错敏感度;利用机器学习技术,建立统计特征和差错敏感度的关系模型。试验结果表明,相比于现有评价方法,该模型可以比较准确地预测视频帧局部差异性对不同丢包情况的敏感程度,尤其对于运动缓慢的视频序列,预测精度明显优于其他方法。
2018年,美国三军全面推动高超声速滑翔武器的研制,为后续开展试验做技术储备。俄罗斯成功开展高超声速滑翔导弹服役前最后一次试飞,并披露装备部署计划。梳理了2018年国外高超声速技术的热点事件和项目进展,并对2018年该领域的发展动向进行了分析和展望。
本工作将MATLAB图像处理技术与大学物理实验教学相融合,以光学实验为例,将实验观测到的物理现象以图片格式进行存储,数据分析时直接利用MATLAB软件提取实验数据。结果表明,采用MATLAB软件处理实验数据能够有效避免人为因素引入的误差,适合在物理实验教学中推广使用。
为了探究湿地植物在AgNPs胁迫下的抗逆特性,实验研究了香蒲在不同浓度AgNPs(0、0.1、1、20、40 mg/L)胁迫下,植物超氧化物歧化酶(SOD)、过氧化氢酶(CAT)、过氧化物酶(POD)活性、可溶性蛋白和叶绿素含量等生理生化特性的变化,并揭示植物体内积累的银含量.结果表明,低浓度AgNPs胁迫下,香蒲叶片的SOD和POD活性均有不同程度的增强,高浓度则相反.在不同浓度AgNPs胁迫下
This study was conducted to explore the effects of polycyclic aromatic hydrocarbons(PAHs) on the growth and physiological characteristics of vegetable seedlings. Cucumber, Chinese cabbage and radish w
针对目标物体的多分类问题,提出基于CNN多层融合特征与Fisher准则的分类算法。首先,应用卷积神经网络提取图像的各层特征;然后,通过穷尽搜索法确定各层特征融合的权值系数,得到多目标分类特征;最后,采用Fisher多分类准则,求出使模式具有最大可分性的最佳投影方向,实现目标分类。在ORL、Yale库上进行实验研究,分类准确率分别达到了97. 5%和97. 3%。结果表明,该方法能够解决模式多分类的
池化模型作为卷积神经网络模型中至关重要的一部分,具有降维、提高模型泛化能力等作用。为了进一步提高卷积神经网络模型的准确率,优化模型的学习性能,提出了一种基于最大池化和平均池化的改进池化模型,并在全球手写数字数据集MNIST和CIFAR-10上分别对改进池化模型的有效性进行了验证。通过与常见池化模型的对比实验发现,采用改进池化模型的卷积神经网络的学习性能较优,一次迭代情况下,在MNIST和CIFAR
利用传统算法去除跟踪图像阴影时,不仅去除效果不佳,且去除速度慢。针对上述问题,提出一种纹理损失最小约束下跟踪图像阴影自动去除算法。该算法分为两步:第一步对图像中的目标物体与背景进行差分,然后进行二值化处理,完成跟踪图像阴影检测;第二步在第一步的基础上,确立纹理损失最小的约束条件,并在此条件下完成跟踪图像阴影的去除。结果表明:与基于基于颜色一致性的图像阴影消除算法和基于梯度域的图像阴影去除算法相比,