学术不端论文查重系统，「学术论文」基于机器视觉的智能导盲眼镜设计应用
chanong
|概括
本文提出了一种基于机器视觉的智能导光玻璃系统的设计方案。它采用三星Cortex-A8架构S5PV210搭配Linux系统作为中央处理器，配备双目采集、GPS定位、语音播报、GSM短信、语音通话、无线传输六大核心功能模块，提供硬件支持。智能导盲眼镜系统该平台结合深度学**算法，在远程云服务器上完成对目标场景的智能识别，最终以语音的形式精准引导视障人士行走。系统测试结果表明，智能导视眼镜系统不仅能够准确导航测试环境内视障人士的运动，而且还具有特定目标识别功能，可以帮助视障人士对简单物品进行分类。系统还具有GPS定位、语音通话、GSM短信等多种辅助功能。
狭义家居装修：指室内装饰，是从美化室内的角度进行设计，使其更加美观。
广义的家居装修包括室内空间的改造和装饰，而我们今天要讲的大部分家居装修都是室内装修和装饰相结合的广义家居装修。
何腾鹏， 张荣芬， 刘超， 等， 基于机器视觉的智能导光眼镜设计[J], 电子技术应用， 2017, 43(4): 58-61.
英文引文格式：何腾鹏， 张荣芬， 刘超， 等. 基于机器视觉的智能视力眼镜设计[J]. 电子技术应用， 2017, 43(4): 58-61.
0 前言
据世界卫生组织统计，目前全球约有7800万视障人士，其中90%生活在发展中国家，而中国视障人数目前是所有视障人士中最多的占18%。全世界有1400 万人。视障人士是社会弱势群体，患有视力�**脱鄄考膊。堑纳畲粗疃嗖槐恪Ａ硪环矫妫昀矗毡救丝诶狭浠诱先耸渴垦杆僭黾樱繁Ｊ诱先耸亢褪诱先耸堪踩咝У慕煌ㄏ缘糜任匾Ｎ耸迪终庖荒勘辏疚纳杓屏嘶诨魇泳醯闹悄艿济ぱ劬礫1]，帮助视障朋友在行走时安全避开道路上的目标�**铮荚谌繁Ｄ穆贸叹】赡馨踩Ｓ肷桃档济ふ群鸵夹什蛔愕陌汗蟮济と啾龋诨魇泳醯闹悄艿济ぱ劬迪低掣呔赫Α�
1 智能导光玻璃控制系统总体设计
本文的智能导光玻璃控制系统由前端内置采集传输系统和远程云平台服务器两部分组成。嵌入式采集传输系统采用三星Cortex-A8架构S5PV210处理器作为载体，以Linux内核为动力，配备双目采集、GPS定位、语音播报、GSM短信、语音通话、无线、等做的事。传输等核心功能模块构建智能导视眼镜系统硬件平台主要完成信息采集传输和智能指令引导等功能。云平台服务器作为智能导盲眼镜的远程数据处理中心，服务器配置方面选择阿里云作为云服务器，集成了深度学**、双目测距[2]等相关算法。 -智能导盲眼镜端场景图像识别、物体距离检测、方向确定。此外，服务器还内置了GPS卫星数据匹配平台，可以与智能导光眼镜实体结合，有效实时定位眼镜用户的位置。本系统总体设计框图如图1所示。
2 智能导光玻璃控制系统硬件设计
2.1 双目采集模块设计
双目采集模块采用两个性能参数相同的CMOS高分辨率摄像头采集智能导盲镜前方的场景信息，让视障人士获取前方目标并获得相应的场景信息。
2.2 GPS定位模块设计
全球定位系统（GPS）为全球用户提供低成本、高精度的三维定位，可以在全球范围内进行实时、全天候、全方位的定位。该系统采用瑞士Ublox公司的NEO-6M模块作为GPS模块的核心单元，主要用于实时获取视障人士地理位置的经纬度坐标。
2.3 无线通信传输模块设计
无线通信传输模块主要由3G芯片及相应的外围电路组成，利用3G无线技术实现智能导盲眼镜与远程云平台服务器之间的双向通信。一方面，双目摄像头模块采集到的照片和GPS模块获得的地理位置坐标信息通过3G网络发送到远程云服务器平台，另一方面对图像进行识别和地理定位。 -位置匹配，服务器上的信息被发送回智能导盲眼镜，智能导盲眼镜进行音频广播，并将结果实时传达给视障人士。同时，智能导盲眼镜系统利用3G模块的GSM短信功能，将从云端服务器获取的结果以短信的形式即时通知视障人士的家人。此外，在特殊情况下，视障人士还可以利用3G电话功能直接与亲人进行语音通话。图2是无线通信传输模块的应用电路图。
2.4 音频广播模块设计
智能导盲镜控制系统的音频播报功能主要用于通过音频模块播放导盲镜前方目标的图像识别结果、距离、方位信息和地理位置，快速告知视障人士。马苏。周围环境条件。本系统采用中文语音合成芯片SYN6288作为音频广播模块的主体，实现文字到语音的转换，其外围电路如图3所示。
3 智能导光玻璃控制系统软件设计
本系统的软件设计分为两部分：远程云平台服务器上的编程和智能导盲眼镜前端的编程。远程云平台服务器上的软件设计主要采用C/C++等高级编程语言，将图像识别、测距、测向等相关算法转换为计算机系统可以理解的程序指令。实现了智能导镜、识别、测距、方向检测等功能的远程云服务器。另外，GPS经纬度分析也是通过云服务器上的软件编程实现的。导览眼镜前端软件设计主要包括双目摄像头图像采集、GPS地理位置坐标获取、无线通信传输模块数据发送与接收、音频广播模块调度、按键中断配置等功能模块子程序，包括创建。程序流程图如图4所示。
4 基于深度置信网络的自然场景识别
深度置信网络（DBN）[3]作为深度学**中应用最广泛的算法模型，主要应用于手写识别和自然场景识别两个方向。在智能导光玻璃控制系统中，深度置信网络主要用于识别自然场景中的常见物体，这也是深度学**在机器视觉领域的一种应用。图5是深度信念网络的典型网络结构模型。
从图5可以看出，深度信念网络是由多个受限玻尔兹曼机（RBM）组成的深度网络[4]，其中DBN学**过程采用逐层学**。 RBM 是单独训练的，参数也是独立调整的[5]。训练完一层后，将本层的训练结果作为下一层RBM的输入，直到训练完每一层RBM。这个过程称为预训练。当深度置信网络上的RBM训练全部完成后，利用反向传播算法根据样本标签值进行反向微调。
在智能导光玻璃图像训练过程中，采用改进的CIFAR-10自然场景库作为测试训练样本。原始CIFAR-10 数据集包含60,000 张32x32 彩色图像，分为10 个类别：飞机、汽车、猫、鸟、鹿、狗、青蛙、马、船和卡车。为了增强智能导光眼镜的实用性，并考虑视障人士的特殊情况，本文将介绍生活中常见的目标场景，如餐桌、椅子、人、垃圾桶、树木等，添加到您的系统。进行图像训练，提炼原始CIFAR-10自然场景库进行测试。然后使用改进的CIFAR-10自然场景库与图6所示的深度置信网络模型进行训练和识别。
上述训练模型中，改进后的CIFAR-10自然场景库中的每幅图像都是3232的彩色图像，因此输入层的大小为3072个节点（3072=32323），隐藏层节点数量将是2。分别为1 000 和200 ，经过Softmax 分类器[6]进行多元分类后的输出层为10 个单元，系统最终的模型结构为3072-1000-200-10 。在智能导光玻璃系统的实际图像训练阶段，训练模型中两层RBM的训练迭代次数设置为200次，学**率设置为0.1。训练完成后，系统学**的权重将用于初始化神经网络，微调网络参数，并使用sigmoid 函数激活神经网络[7]。在系统训练过程中，由于样本数量较多、数据复杂，隐藏层需要相对较多的节点才能学**到更好的特征。图像本身也有很多信息，需要更多的迭代。整个学**过程平均需要10个小时，相比深度学**中的卷积神经网络[8]和自动编码模型[9]，显着减少了训练时间，达到了相对理想的识别率。为什么这个系统选择深度信念网络？找出训练模型的主要原因。
5 系统测试结果及分析
利用上述深度置信网络训练模型，对改进后的CIFAR-10库中的10000张测试图像进行随机实证测试，不同样本的识别率和平均识别率如表1所示。
从表1可以看出，改进后的CIFAR-10库中10个类别的测试样本经过导盲眼镜系统的深度置信网络训练后，平均识别率为82.9%，与训练时的情况相同。与基于支持向量机的识别模型[10]的识别率相比，其平均识别率比支持向量机模型高出近10%，为进一步的智能导盲眼镜整体系统测试奠定了基础。最后，考虑到视障人士的生活需求，结合智能导盲眼镜的其他特点，将双目摄像头的采集帧率设置为3帧，以使智能导盲眼镜控制系统在实际现场协同工作。它。 /s，音频导航频率设置为每2秒引导视障人士一次。远程服务器上的测试结果如图7 和8 所示。由图7可知，智能导盲眼镜的GPS功能可以实时准确获取佩戴导盲眼镜的用户的经纬度，并通过无线通信传输模块发送至远程服务器，以确定精确的地理位置。可以看到可以检查一下。匹配。图8显示，在真实场景中，智能导光玻璃不仅可以准确识别前方目标的类别，还可以测量目标物体与导光玻璃之间的距离，准确表征�**锏姆轿惶卣鳌Ｏ允尽Ｑ劬瞪舷允灸勘辏凳庇镆粢及镏诱先耸考笆庇行П苷希Ｕ鲜诱先耸堪踩贫�
六，结论
系统采用S5PV210作为主控制器构建基于机器视觉的智能导盲眼镜，搭载Linux内核，支持双目采集、GPS定位、语音播报、GSM短信、语音通话、无线等六大核心功能模块：系统硬件电路设计和软件设计已经完成。通过系统测试，智能导盲眼镜不仅可以为视障人士独立行动提供实时语音导航，而且在特殊情况下，视障人士还可以使用导盲眼镜的GPS、GSM短信、语音通话等功能。 现在可用。通过智能眼镜的触发按钮功能，您可以得到朋友和家人的及时帮助。此外，智能导盲眼镜还具有图像识别功能，可以帮助视障人士对简单物体进行分类，也在一定程度上提高视障人士的自我管理能力，这对于中国来说尤其重要。有大量视障人士。
参考
[1] Milan Sonka，Vaclav Hlavac，Roger Boyle等，图像处理、分析与机器视觉[M]，北京：清华大学出版社，2016年。
[2] 岳荣刚， 王少平， 李凯等， 一种基于相似原理的双目测距新方法[J], 光电， 2008, 35(4): 64-68.
[3] 陈翠萍. 基于深度置信网络的文本分类算法[J]. 计算机系统应用， 2015, 24(2): 121-126.
[4]张春霞，季楠楠，王冠伟. 受限玻尔兹曼机简介[J]. 工程数学学报，2013(2)：159-173.
[5] HINTON GE, SRIVASTAVA N, KRIZHEVSKY A, et al. 通过防止特征检测器同时适应来改进神经网络[J], 计算机科学， 2012, 3(4): 212-223.
[6]王爽，马文平，谢慧明，等，基于堆栈编码和softmax的偏振SAR图像分类方法[P]，CN104156728A，2014。
[7] 张学伟， 王艳. 基于sigmoid函数参数整定的双隐层BP神经网络板坯形状预测[J]. 化工自动化与仪表， 2010, 37(4): 42-44.
[8]陈贤昌.基于卷积神经网络的深度学**算法及应用研究[D].杭州：浙江工业大学，2013.
[9]吴海燕.基于自编码器的半监督表示学**与分类学**研究[D].重庆：重庆大学，2015.
[10]崔鹏宇.基于支持向量机的分类器训练研究[J].数字技术与应用，2016(6):58-58.
作者信息：
何腾鹏、张荣芬、刘超、方乐男、刘玉红
(贵州大学大数据信息工程学院， 贵州省贵阳市550025)