集装箱图像中残损位置及类型识别系统设计BP神经网络

摘要随着图像处理技术与神经网络的发展，基于神经网络的计算机视觉正在逐步代替人类视觉进行更多的工作，在学术领域和工程应用领域都有不少成果。

集装箱箱体的残损会导致安全隐患，以往的集装箱箱体残损检测工作大多数依靠人工完成，少数使用半自动检测，效率较低。中国是目前世界上集装箱总量排名第一的国家，集装箱流通量很大，人工验残成本较高。

为了解决上述的问题，本文设计了一套全自动的集装箱残损检测方案。该方案大体流程为：首先对图像进行透视变换，第二步使用显著目标检测技术检测残损位置，第三步计算图像的7维HU不变矩作为特征向量，最后使用BP神经网络进行识别。82389

该方案在实验中残损位置检测正确率可达80%，残损类型检测正确率可达73。1%，平均处理每幅图片耗时约1。47s，具有一定的研究价值与提升空间。

毕业论文关键词集装箱残损检测显著目标识别 HU不变矩 BP神经网络

毕业设计说明书外文摘要

Title Automatic detection system of damaged container

Abstract Computer Vision based on artificial neural network has been more and more powerful by the development of digital image processing and artificial neural network。 It has make a lot of achievements in both academic field and engineering field。

Damage on container may lead to some security risks。 In the past, checking containers is artificial or semi-automatic。 Obviously, it’s inefficient and expensive。 What’s more, it limits the flow at checkpoint。

To solve these problems, this paper raise an automatic detection system of damaged container。 The procedure of this system is as follow。 Firstly, process these images with perspective transformation。 The second step is using a significant target detection technology to detect damaged position。 The third step is calculating the image of the 7-dimensional HU invariant moments as feature vector。 Finally, using BP neural network for recognition。

In experiment, damaged position detection can make accuracy rate of 80%, while damaged type detection can make accuracy rate of 73。1%。 Each image cost about 1。47s to process on average。

Keywords Detection of damaged container， Salient target detection， HU invariant moments, BP neural network

1 绪论 1

1。1 课题研究背景 1

1。2 研究价值 2

1。3 相关技术 2

1。4 本文的组织结构 4

2。1 显著目标识别 5

2。2 图像特征提取 6

2。3 神经网络 9

3 集装箱残损检测系统建模与关键技术 11

3。1 集装箱残损检测系统解决方案概述 11

3。2 显著目标检测算法 12

3。3 图像预处理-图像透视变换 15

3。4 HU不变矩 18

3。5 BP神经网络算法 19

4 集装箱残损位置及类型识别设计与实现集装箱图像中残损位置及类型识别系统设计BP神经网络:http://www.youerw.com/jisuanji/lunwen_96673.html