论文部分内容阅读
光源在机器视觉系统里的地位是至关重要的,它直接影响至少百分之三十的输入图像的效果。一个恰当的光源(包括颜色、照度、照明方式)可以使相机获得高质量的图像,从而简化后续的图像处理算法,提高系统精度和可靠性。目前针对机器视觉的光源仍存在一些问题,同一类型的光源针对不同颜色的待测特征需要不同的光照颜色来提高图像对比度。在工作时,大部分视觉系统的光源一直处于照明状态,极易导致发热严重而降低光源寿命的现象,甚至烧坏光源,同时也浪费能源。实际上,照明光源不需要一直处于照明状态,只要在相机拍摄时的特定时间段内有恰当颜色和照度的照明即可。为解决这些问题,本文围绕照明方式、PWM数字控制、神经网络三方面展开研究,开发了PWM控制算法,加入神经网络场景识别算法,并进行实验验证。基于打光方式,本文介绍、总结了常用的方法并提出了一种数字控制光源,建立了调光数学模型。分别从调光原理,照明控制,ATmega2560单片机以及控制电路设计详细说明了该数控光源的实现原理,建立了一个混光模式下调整照度的光强计算数学模型,并基于Visual Studio的开发了MFC前端界面。并且对该调光模型分别针对单通道、双通道和三通道三种情况进行实验测试,实验结果表明,该设计模型能满足大多数比例的混光模型,实现光源颜色、照度可调。在此基础上,对光源所处场景分为过亮、过暗和正常三种场景。基于tensorflow平台,加入神经网络算法,使光源根据当前获取的图像对自身所处场景进行判断。在训练神经网络模型的时候对学习率、初始化权重、神经元个数、Droup Out率进行优化,并在其他条件一致的情况下针对SGD和Adam两种优化器进行了实验对比,对比参数包括最后训练模型的准确率,偏置值和权重的最大值、平均值、方差和最小值。实验结果表明,两种优化器均可以使神经网络模型的准确达到99%左右,最后求得的权重和偏置值有不同解。