本文選題：裂縫檢測 + 簡化脈沖耦合神經(jīng)網(wǎng)絡(luò)　； 參考：《計算機(jī)應(yīng)用研究》2017年06期

【摘要】：為能夠在復(fù)雜背景下檢測裂縫、分析裂縫圖像特征,由脈沖耦合神經(jīng)網(wǎng)絡(luò)(pulse coupled neural networks,PCNN)的運行特征和神經(jīng)元的狀態(tài)變化分析簡化PCNN模型,將簡化PCNN模型用于裂縫圖像的目標(biāo)檢測。針對PCNN無法確定裂縫圖像的最優(yōu)檢測以及脈沖門限具有非線性因子的問題,提出了一種基于遺傳算法(genetic algorithm,GA)和簡化PCNN的裂縫圖像檢測方法。該方法采用最小誤差準(zhǔn)則作為遺傳算法的適應(yīng)度函數(shù),并且根據(jù)遺傳算法具有全局最優(yōu)解的特點確定簡化PCNN中各因子的值,實現(xiàn)了簡化PCNN的裂縫圖像自動分割。將該方法與不同的分割方法對實際裂縫圖像的處理結(jié)果進(jìn)行比較,通過區(qū)域?qū)Ρ榷�、�?zhǔn)確率和召回率等客觀指標(biāo)進(jìn)行定量分析,表明了該方法對裂縫圖像檢測的有效性與通用性。
[Abstract]:In order to detect cracks and analyze the features of crack images in complex background, the simplified PCNN model is simplified by analyzing the running characteristics of pulse coupled neural networks and the state changes of neurons, and the simplified PCNN model is used to detect the target of crack images. Aiming at the problem that PCNN can not determine the optimal detection of crack image and the pulse threshold has nonlinear factor, a crack image detection method based on genetic algorithm and simplified PCNN is proposed. In this method, the minimum error criterion is used as the fitness function of the genetic algorithm, and the value of the factors in the simplified PCNN is determined according to the characteristics of the global optimal solution of the genetic algorithm. The crack image segmentation of the simplified PCNN is realized automatically. The method is compared with different segmentation methods to deal with the actual crack image, and quantitative analysis is carried out through objective indexes such as regional contrast, accuracy rate and recall rate, etc. The effectiveness and generality of this method for crack image detection are demonstrated.
【作者單位】： 鄭州大學(xué)信息工程學(xué)院;
【基金】：國家科技支撐計劃資助項目(2014BAH09F00) 國家自然科學(xué)基金資助項目(61379079)
【分類號】：TP183;TP391.41

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 鄒文潔;;基于PCNN神經(jīng)網(wǎng)絡(luò)的圖像去噪算法研究[J];計算機(jī)仿真;2008年08期

2 齊永鋒;火元蓮;張家樹;;基于簡化的PCNN與類內(nèi)最小離散度的圖像自動分割方法[J];光電子.激光;2008年09期

3 王念一;馬義德;綻琨;;PCNN理論研究進(jìn)展及其語音識別中的應(yīng)用[J];自動化與儀器儀表;2013年01期

4 鐘亞平;;基于PCNN的手腕骨圖像自動分割方法研究[J];軟件導(dǎo)刊;2013年07期

5 顧曉東,郭仕德,余道衡;一種基于PCNN的圖像去噪新方法[J];電子與信息學(xué)報;2002年10期

6 趙峙江;趙春暉;張志宏;;一種新的PCNN模型參數(shù)估算方法[J];電子學(xué)報;2007年05期

7 火元蓮;;一種基于PCNN的圖像自動分割方法[J];自動化與儀器儀表;2008年06期

8 李敏;蔡騁;談?wù)?;基于修正PCNN的多傳感器圖像融合方法[J];中國圖象圖形學(xué)報;2008年02期

9 劉R，

本文編號：1991772