一种基于人工神经网络的图像扫描方法及系统与流程

本发明涉及人工神经网络领域，具体涉及一种基于人工神经网络的图像扫描方法及系统。

背景技术：

影响线阵ccd相机扫描图像质量的因素很多，决定了扫描参数系统难以建立起精确的数学模型，因此为获得优质扫描图像不得不依赖于大量实验过程中积累起来的经验来进行扫描参数调整。传统的根据扫描图像质量预测扫描参数的方法是基于统计技术而来的，主要是线性模型。线性模型直观简单、解释性强，但对于演化序列复杂的扫描参数系统预测往往不奏效，特别是影响图像质量因素的扫描参数变动性强，存在高度非线性，传统的预测方法处理起来便会很困难。而且选择扫描参数涉及大量的组合，在这么多组合面前如果只依靠经验数据难以获取最优图像的扫描参数组合。而人工神经网络具有较强的鲁棒性和容错性，非线性映射能力适合解决非线性、复杂系统的建模和预测，为此，我们设计一种基于人工神经网络的图像扫描方法及系统。

技术实现要素：

针对现有技术的不足，本发明提供了一种基于人工神经网络的图像扫描方法及系统，解决了难以获取线阵ccd相机最优图像的扫描参数组合的问题。

本发明通过以下技术方案予以实现：

一种基于人工神经网络的图像扫描方法及系统，所述方法包括：导入训练样本数据；获取包含文件带扫描图像；对神经网络模型验证；保存模型，所述系统包括：获取模块、查找模块、检测模块和验证模块。

优选的，所述导入训练样本数据，然后进行样本的训练，再进行人工神经网络模型的构建，人工神经网络模型构建完成后利用训练样本图对神经网络算法进行训练，然后利用神经网络算法对图像进行运算。

优选的，所述在利用神经网络算法对图像进行运算后，得到对人工神经网络模型验证，判断所述验证误差是否符合预设期望精度，若所述验证结果符合预设期望精度，则将所述初级人工神经网络模型确定为最终的人工神经网络模型，然后保存模型。

优选的，所述对人工神经网络模型验证，判断所述验证误差是否符合预设期望精度，若所述验证结果不符合预设期望精度，则再跳回到利用训练样本图对神经网络算法进行训练，直到所述验证误差符合预设期望精度，然后保存模型。

优选的，所述导入训练样本数据，然后获取包含文件带扫描图像，然后从中获取输入向量和输出向量，通过输入向量和输出向量去验证样本，直接对人工神经网络模型进行验证。

优选的，所述利用神经网络算法对图像进行运算后，得到对人工神经网络模型验证，判断所述验证误差是否符合预设期望精度，若所述验证结果符合预设期望精度，则将所述初级人工神经网络模型确定为最终的人工神经网络模型，然后保存模型，若所述验证结果不符合预设期望精度，则再跳回到利用训练样本图对神经网络算法进行训练，直到所述验证误差符合预设期望精度，然后保存模型。

本发明的有益效果为：本发明能够安全、可靠的解决难以获取线阵ccd相机最优图像的扫描参数组合的问题，通过获取包含文件带扫描图像，然后对神经网络模型验证，判断所述验证误差是否符合预设期望精度，若所述验证结果符合预设期望精度，则将所述初级人工神经网络模型确定为最终的人工神经网络模型，然后保存模型，若所述验证结果不符合预设期望精度，则再跳回到利用训练样本图对神经网络算法进行训练，直到所述验证误差符合预设期望精度，然后保存模型，并通过获取模块、查找模块、检测模块和验证模块对神经网络的建立更简单和系统化获取到最优图像的扫描参数组合。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是发明的流程图；

图2是发明的结构示意图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

参看图1-2：一种基于人工神经网络的图像扫描方法及系统，所述方法包括：导入训练样本数据；获取包含文件带扫描图像；对神经网络模型验证；保存模型，所述系统包括：获取模块、查找模块、检测模块和验证模块。

具体的，所述导入训练样本数据，然后进行样本的训练，再进行人工神经网络模型的构建，人工神经网络模型构建完成后利用训练样本图对神经网络算法进行训练，然后利用神经网络算法对图像进行运算。

具体的，所述在利用神经网络算法对图像进行运算后，得到对人工神经网络模型验证，判断所述验证误差是否符合预设期望精度，若所述验证结果符合预设期望精度，则将所述初级人工神经网络模型确定为最终的人工神经网络模型，然后保存模型。

具体的，所述对人工神经网络模型验证，判断所述验证误差是否符合预设期望精度，若所述验证结果不符合预设期望精度，则再跳回到利用训练样本图对神经网络算法进行训练，直到所述验证误差符合预设期望精度，然后保存模型。

具体的，所述导入训练样本数据，然后获取包含文件带扫描图像，然后从中获取输入向量和输出向量，通过输入向量和输出向量去验证样本，直接对人工神经网络模型进行验证。

具体的，所述利用神经网络算法对图像进行运算后，得到对人工神经网络模型验证，判断所述验证误差是否符合预设期望精度，若所述验证结果符合预设期望精度，则将所述初级人工神经网络模型确定为最终的人工神经网络模型，然后保存模型，若所述验证结果不符合预设期望精度，则再跳回到利用训练样本图对神经网络算法进行训练，直到所述验证误差符合预设期望精度，然后保存模型。

本发明能够安全、可靠的解决难以获取线阵ccd相机最优图像的扫描参数组合的问题，通过获取包含文件带扫描图像，然后对神经网络模型验证，判断所述验证误差是否符合预设期望精度，若所述验证结果符合预设期望精度，则将所述初级人工神经网络模型确定为最终的人工神经网络模型，然后保存模型，若所述验证结果不符合预设期望精度，则再跳回到利用训练样本图对神经网络算法进行训练，直到所述验证误差符合预设期望精度，然后保存模型，并通过获取模块、查找模块、检测模块和验证模块对神经网络的建立更简单和系统化获取到最优图像的扫描参数组合。

以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

技术特征：

技术总结
本发明涉及人工神经网络领域，具体涉及一种基于人工神经网络的图像扫描方法及系统，导入训练样本数据，然后进行样本的训练，再进行人工神经网络模型的构建，人工神经网络模型构建完成后利用训练样本图对神经网络算法进行训练，然后利用神经网络算法对图像进行运算，在利用神经网络算法对图像进行运算后，得到对人工神经网络模型验证，若验证结果符合预设期望精度，对人工神经网络模型验证，判断验证误差是否符合预设期望精度，若验证结果不符合预设期望精度，则再跳回到利用训练样本图对神经网络算法进行训练，直到验证误差符合预设期望精度，然后保存模型。本发明能解决了难以获取线阵CCD相机最优图像的扫描参数组合的问题。

技术研发人员：王晓锐;狄光智;胡坤融;强振平;董跃宇;苗晟;徐全元
受保护的技术使用者：西南林业大学
技术研发日：2018.10.25
技术公布日：2019.01.01