简单的BP网络识别液晶中的数字实验这学期的人工神经网络课程已

文章插图
这学期的人工神经网络课程已经进行完了第三章内容，关于经典网络重要的BP（误差反向传播网络）是所有学习人工神经网络最先接触到的一个实用网络。它的原理相对比较简单，在很多平台中都非常容易实现。
学习神经网络的基本原理之后，更重要的是能够通过一些应用场合来应用它，使他能够帮助自己解决一些实际的工程问题。
近期购买到的 LC100-A[1] 电感电容测量模块，用于测量一些实验中实验对象的电感、电容值随着其他一些物理变量（工作电压、距离、温度等）所产生变化规律。为了便于实验，需要能够将LC100-A测量数值自动记录。
文章插图
文章插图
<<< 左右滑动见更多 >>>
在开始的方式就是直接使用摄像头获取液晶显示数据，然后使用字符识别软件来完成其中数字的识别。
测试一下CNOCR识别效果。它对于屏幕截图中的文字识别效果还不错：
文章插图
▲ 屏幕截取的一段文字

识别时间：1.98 。 * 识别结果：

[['●', '更', '新', '了', '训', '练', '代', '码', ' ， ', '使', '用', 'm', 'x', 'n', 'e', 't', '的', 'r', 'e', 'c', 'o', 'r', 'd', 'i', 'o', '首', '先', '把', '数', '据', '转', '换', '成', '二', '进', '制', '格', '式', ' ， ', '提', '升', '后', '续', '的'], ['训', '练', '效', '率', ' 。 ', '训', '练', '时', '支', '持', '对', '图', '片', '做', '实', '时', '数', '据', '增', '强', ' 。 ', '也', '加', '入', '了', '更', '多', '可', '传', '入', '的', '参', '数', ' 。 '], ['●', '允', '许', '训', '练', '集', '中', '的', '文', '字', '数', '量', '不', '同', ' ， ', '目', '前', '是', '中', '文', '1', '0', '个', '字', ' ， ', '英', '文', '2', '0', '个', '字', '母', ' 。 '], [' 。 ', '提', '供', '了', '更', '多', '的', '模', '型', '选', '择', ' ， ', '允', '许', '大', '家', '按', '需', '训', '练', '多', '种', '不', '同', '大', '小', '的', '识', '别', '模', '型', ' 。 '], ['●', ' ', '内', '置', '了', '各', '种', '训', '练', '好', '的', '模', '型', ' ， ', '最', '小', '的', '模', '型', '只', '有', '之', '前', '模', '型', '的', '1', '/', '5', '大', '小', ' 。 ', '所', '有', '模', '型', '都', '可', '免', '费'], ['使', '用', ' 。 ']]
【简单的BP网络识别液晶中的数字实验】那么对于前面液晶屏幕识别效果呢：

文章插图
▲ 只是数字部分
识别结果： [['.', ' 。 ', '与', 'F', '早', 'H']]
好像驴唇不对马嘴。
这主要原因还是原来网络没有针对上述液晶实现数字进行训练过。由于液晶显示图片质量非常好，实际上只需要最简单的BP网络就可以达到很好的效果。
下面给出在MATLAB中构建网络并进行实验的过程。

文章插图
使用神经网络解决问题，一个重要的环节就是进行训练数据的准备。通过对采集到的一些图片中的数字进行提取并手工标注，来完成对网络的训练。
1.数字分割下面是桌面摄像头捕捉到的测量图片，通过简单的图片灰度投影，比较方便将显示数字所在图片中的位置定出。为了简单起见，也可以固定摄像头与LCD相对位置，这样手工定标出结果字符位置也可以适用于后面测量结果。

文章插图
▲ 液晶数字显示以及数字部分
这个问题简单之处在于所有字符都是等宽，而且对比度非常好，简单的分离就可以将所有的字符单独分离出来。由于摄像头位置固定，所以简单分割之后的字符之后少量的上下左右平移，没有旋转。对于图片位置、尺寸就不再进行归一化。这些差异最后有神经网络来弥补。

文章插图
▲ 分割出的数字
液晶显示字符的图片对比度很好。但就是有一个问题，在摄像头拍摄的时候，经常会遇到字符变化过程，这就会使得图片中字符呈现两个字符叠加的情况。下面是一些示例：

文章插图