《人工智能》阅读报告之

姓名：

学号：

班级：

指导教师：

历史、现状与未来

2014/4/6

我并不是通过看书而是通过一部由斯皮尔伯格执导的科幻电影——《AI》接触到人工智能这个概念的。虽然这只是一部20xx年的电影，距今已有13年之久，但是它对我的启迪是长久的。电影剧情在此不做探究，只是它展示给我们的未来让我对人工智能非常好奇，所以我通过图书馆和网络搜集阅读了一些材料，争取对人工智能的历史和现状有较深入的理解，并对其未来进行合理展望。

电影名叫《A.I》，即Artificial Intelligence的首字母缩写，而这也正是学术上的人工智能的英文名。人工智能的一个比较流行的定义，也是该领域较早的定义，是由当时麻省理工学院的麦卡锡在19xx年的达特茅斯会议上提出的：“人工智能就是要让机器的行为看起来就像是人所表现出的智能行为一样”。这次会议可以看作人工智能的发端。自此以后，新思想、新理论、新技术不断涌现，至今尚无统一定义。经过这些年的发展，人工智能有了很多成果，前途一片光明。下面是详细介绍。

首先是人工智能的历史。19xx年夏季，以麦卡锡、明斯基、罗彻斯特和香农等为首的一批有远见卓识的年轻科学家在一起聚会，共同研究和探讨用机器模拟智能的一系列有关问题，并首次提出了“人工智能”这一术语，它标志着“人工智能”这门新兴学科的正式诞生。

关于人工智能之父的说法，有人认为是冯·诺依曼，有人认为是图灵，这都有一定的道理。图灵提出过著名的图灵测试，这是评价机器智能行为最好且唯一的方法。另外，他还写过这方面的论文，如《机器会思考吗？》。然而比较公认的人工智能之父还是约翰·麦卡锡，不幸的是，他于最近去世了。麦卡锡是LISP语言的发明者，曾因人工智能方面的巨大贡献获得过图灵奖。

人工智能在于19xx年正式提出后，取得了显著进步。20世纪50至70年代之间，人工智能有几个标志性的事件。19xx年，塞缪尔发明了跳棋程序，于19xx年击败了美国的一个州的跳棋冠军。19xx年，斯坦福大学的费根鲍姆等人研制了DENDRAL，被认为是专家系统的萌芽。19xx年，“四色定理”得到证明。到了80年代，神经网络快速发展。另外，人工智能被引入了市场，并显示出了使用价值。如智能机器人，机器翻译及斯坦福大学的SRI地质勘探专家系统等。

到了90年代，可以说进入了相对稳定阶段。这个期间最著名的事件莫过于蓝色巨人IBM的超级计算机“深蓝”击败国际象棋世界冠军卡斯帕罗夫了。这是人工智能的一个标志性事件，可以说是人工智能领域最广为人知的事件了。这一事件显示了人工智能的强大能力，使人们对人工智能的未来充满了期望。

进入21世纪，对人工智能的研究又深入了一部。比如谷歌等公司推出的机器翻译，微软退出的语音助手Cortana，都是当今人工智能的最新成果。今年微软build大会就进行了实时翻译，表名语音识别工作有了很大进展。最近很出名的便是IBM公司的超级计算机“沃森”了。20xx年2月17日，沃森在美国智力竞猜节目《危险边缘》中击败人类。与之前的深蓝不同的是，沃森可以理解人类语言，然后进行推理。

以上是人工智能的基本发展历程，下面主要介绍当前人工智能的发展情况。人工智能主要应用于人工神经网络、自然语言理解、智能机器人、图像识别和专家系统等方面。当前这些主要研究领域都取得了长足进步。

人工神经网络是我重点关注的的一个方面。从它出现以来，就给人们带来很多惊喜。根据一个简化的统计，人脑由百亿条神经组成，每条神经平均连结到其它几千条神经。通过这种连结方式，神经可以收发不同数量的能量。神经的一个非常重要的功能是它们对能量的接受并不是立即做出响应，而是将它们累加起来，当这个累加的总和达到某个临界阈值时，它们将它们自己的那部分能量发送给其它的神经。大脑通过调节这些连结的数目和强度进行学习。尽管这是个生物行为的简化描述，但同样可以充分有力地被看作是神经网络的模型。

阈值逻辑单元（Threshold Logic Unit，TLU）是理解神经网络的第一步。TLU 是一个

对象，它可以输入一组加权系数的量，对它们进行求和，如果这个和达到或者超过了某个阈值，输出一个量。如下图所示：

比如一个求解语言种类的感知器学习模型如下：

有一种培训规则叫做delta规则。感知器培训规则是基于这样一种思路：权系数的调整是由目标和输出的差分方程表达式决定。而delta规则是基于梯度降落这样一种思路。

反向传播算法同样来源于梯度降落原理，在权系数调整分析中的唯一不同是涉及t(p,n) 与 y(p,n) 的差分。如下图所示：

自然语言理解方面，目前很多公司都在做。比较出名的事件是IBM的超级计算机“沃森”。20xx年2月14日至16日的3天比赛中，沃森凭借超强的运算速度和强大的人工智能算法战胜了美国最受欢迎的智力竞猜电视节目《危险边缘》历史上两位最为成功的选手肯·詹宁斯和布拉德·鲁特，这是机器挑战人类智能的又一成功例子。对计算机沃森来说参与智力竞赛节目最重要的难题是解析人类的语言，尤其是在充满暗示和恶作剧的游戏里，沃森需要识别人类语言中微妙的含义，分辨讽刺口吻、谜语、构词断句、诗篇线索等等这些逻辑和线索。然后才是对题目进行分解，快速搜索自己的内存资料，寻找到最佳答案。沃森能学习人类思维分辨人类语言口气，可选择忽略不擅长的题目，它可以可估算节目剩余奖金和自我信心，主动选择是否继续回答问题，已经取得了很大的进步。然而即使这样，它也没能突破图灵测试。它只能处理文字符号，并不能真正理解它们的含义。所以它很难理解人类交流中的微妙含义，甚至出现了爆粗口的尴尬局面。

除了自然语言理解，智能机器人的研究也十分火热。纪录片《漫游火星》中介绍了两个智能车——机遇号和勇气号，都属于智能机器人范畴。20xx年上海世博会上展出了很多这方面的最新成果。比如，会拉小提琴的日本机器人和“海宝”机器人，美国最受欢迎的机器人吸尘器Roomba等。日本本田公司研制的仿人机器人ASIMO，是目前全球唯一具备人类双足行走能力的类人型机器人。阿西莫(ASIMO，Advanced Step Innovative Mobility)即高级步行创新移动机器人。从20xx年发展至今，除具备了行走功能与各种人类肢体动作之外，更具备了人工智能，可以预先设定动作，还能依据人类的声音、手势等指令，来从事相应动作。此外，他还具备了基本的记忆与辨识能力。在智能机器人这方面，日本的研究成果是很多的，中国科研人员还要多加努力，迎头赶上。

图像识别是人工智能的重要领域，也是目前研究比较集中的领域之一。图像识别是利用计算机对图像进行处理、分析和理解，以识别各种不同模式的目标和对象的技术。扫描条形码、二维码只是简单的应用，现在已经有些厂商推出直接扫描图片获取信息的技术了。

亚马

逊的Flow早在一年前就已经可以通过图片识别搜索商品，eBay也在尝试在自己的应用中加入图像识别的功能。目前，Pounce已经与Staples、Target、Ace等零售商合作，支持顾客利用手机扫描印刷广告上的商品图片，然后即时跳转到电商移动网站下单。这样移动平台就可以与电子商务无缝对接了，从而显现出了巨大的商机。

除了上面介绍的几个研究方面，专家系统也在不断发展。专家系统是依靠人类专家已有的知识建立起来的知识系统，是一种具有特定领域内大量知识与经验的程序系统。它应用人工智能技术、模拟人类专家求解问题的思维过程求解领域内的各种问题，其水平可以达到甚至超过人类专家的水平。专家系统可分为解释型、预测型、诊断型、设计型、监视型和控制型等类型，各自应用于不同的领域。比如控制型专家系统的代表为YES/MVS（帮助监控和控制MVS操作系统的专家系统），监视型专家系统代表为森林火警监视、REACTOR（帮助操作人员检测和处理核反应堆事故的专家系统）。

当然人工智能作为一个跨越多平台、多学科的新兴技术，研究领域不止以上介绍的这些，并且新的技术和概念仍在不断发展。那么，人工智能究竟能发展到什么程度呢？人工智能的终极目标是用机器代替人的脑力劳动，可以说到时候机器要比人类聪明多了。那么这一目标能否达到？若真正实现了，又有什么因素会使人担忧呢？下面我就人工智能的未来做一下展望。

我对人工智能的未来充满信心。在IT发展的不同阶段，都引起了或大或小的革命。人工智能是一个新事物，前途不可限量。想当初比尔盖茨靠着PC的蓬勃发展而起家，现在的人工智能所带给我们的机遇不亚于此。随着人工智能的发展，很多新产品会进入市场。如果抓住这一机遇，将智能机器放到每个家庭，那必定会造就一个商业帝国。

另一方面，美国的很多科幻电影都有对人工智能未来的探讨，而且基本上都充满担忧。不止《A.I》，《终结者》和《黑客帝国》等电影也对人工智能的未来进行了探讨。《A.I》中人类终于在2000多年后消失，被机器代替；《终结者》中的机器更是残忍地杀害人类，与人类展开抗争；《黑客帝国》中的只能机器则完全统治了原本属于人类的世界。

从电影回归现实，人类对人工智能的看法如何呢？目前的人工智能还没有进入大规模实际应用阶段，很多技术还不成熟，所以人工智能目前看起来还没有那么“智能”，因而人们对它还没有多少忧虑。若干年以后，人工智能高度发达，取代了人的工作，集自然语言理解、模式识别、图像识别、高精度计算等能力于一身，就出现了所谓的“新人类”——真正意义上的智能机器人。它们具备了思想和意识，它们具备了创新能力，最令人不安的是，它们不想一直受人类驱使，它们要反抗。

总结来说，人工智能的发展有着广阔的前景。我很关心的是人工神经网络，因为未来智能机器的发展向人看齐，要模仿人脑的工作机理。人工神经网络相当于智能机器的大脑，把它发展完善，再配合自然语言理解、模式设别和专家系统等技术，才能开发出真正意义上的智能机器。这样一来，人类千百年来的脑力劳动能够得以解放，科技高速发展，新的革命就会到来。

另一方面，技术的发展大多会伴随着滥用。如同当今原子弹令地球处在达摩克利斯之剑下面一样，被寄予厚望的二十一世纪三大尖端技术之一的人工智能可能有过之而不及。人工智能有着广阔的前景，是未来人类生产发展的主要推动力之一，同时隐忧也如影随形。话说回来，当前的人工智能虽然已经经过了半个多世纪的发展，但是还有漫长崎岖的道路要走。人类对科技的追求是狂热的，但是一定要进行必要的约束，这样才能使人类在享受高科技带来的福利的同时远离它们带来的危害。

第二篇：人工智能结课报告

班 级： 计科*** 学 号： 201110405*** 姓 名： *** 任课老师： 刘英莉

1

一．课题：机器视觉及其系统的应用

二．摘要

科技在不停的发展，很多智能的东西在我们生活中随处可见，随着人工智能的不断发展，我们可以制造出真正的智能机器，而且这个领域也将成为下一个技术革命。机器视觉就是用机器代替人眼来做测量和判断。机器视觉系统是指通过机器视觉产品（即图像摄取装置，分 CMOS 和CCD 两种）将被摄取目标转换成图像信号，传送给专用的图像处理系统，根据像素分布和亮度、颜色等信息，转变成数字化信号；图像系统对这些信号进行各种运算来抽取目标的特征，进而根据判别的结果来控制现场的设备动作。

机器视觉系统适合于人工作业的危险工作环境或人工视觉难以满足要求的场合，常用机器视觉来替代人工视觉；同时在大批量工业生产过程中，用人工视觉检查产品质量效率低且精度不高，用机器视觉检测方法可以大大提高生产效率和生产的自动化程度。而且机器视觉易于实现信息集成，是实现计算机集成制造的基础技术。

三．三个问题回答

1.应用价值：为什么跟踪这个项目？

答： 我在上工程训练课上，见到了零件加工厂里的现代自动化生产过程，人们将机器视觉系统广泛地用于装配定位、产品质量检测、产品识别、产品尺寸测量等方面。当时觉得非常惊奇，在上了人工智能课后对机器视觉有了一定的认识后，我就更感兴趣。就对此进行了跟踪。

机器视觉系统具有效率、高柔性、高度自动化等特点。在大批量工业生产过程中，如果用人工视觉检查产品质量，往往效率低且精度不高，用机器视觉检测可以大幅度提高检测效率和生产的自动化程度；同时，在一些不适合人工作业的危险工作环境或工人视觉难以满足要求的场合中，也常用机器视觉来替代人工视觉，如核电站监控、晶圆缺陷检测；而且，机器视觉易于实现信息集成，是实现计算机集成制造的基础技术之一。正是由于机器视觉系统可以快速获取大量信息，而且易于自动处理及信息集成。

（1）非接触测量，对于观测者与被观测者都不会产生任何损伤，从而提高系统的可靠性。

（2）具有较宽的光谱响应范围，例如使用人眼看不见的红外测量，扩展了人眼的视觉范围。

（3）长时间稳定工作，人类难以长时间对同一对象进行观察，而机器视觉则可 2

以长时间地作测量、分析和识别任务。

（4）机器视觉系统的应用领域越来越广泛。在工业、农业、国防、交通、医疗、金融甚至体育、娱乐等等行业都获得了广泛的应用，可以说已经深入到我们的生活、生产和工作的方方面面。

在国外，机器视觉的应用普及主要体现在半导体及电子行业。 机器视觉系统还在质量检测的各个方面已经得到了广泛的应用，并且其产品在应用中占据着举足轻重的地位。

目前国内随着经济水平的提高，3D机器视觉也开始进入人们的视野。目前3D机器视觉大多用于水果和蔬菜、木材、化妆品、烘焙食品、电子组件和医药产品的评级。它可以提高合格产品的生产能力，在生产过程的早期就报废劣质产品，从而减少了浪费节约成本。这种功能非常适合用于高度、形状、数量甚至色彩等产品属性的成像。

在行业应用方面，主要有制药、包装、电子、汽车制造、半导体、纺织、烟草、交通、物流等行业，用机器视觉技术取代人工，可以提供生产效率和产品质量。例如在物流行业，可以使用机器视觉技术进行快递的分拣分类，不会出现目前大多快递公司人工进行分拣，减少物品的损坏率，可以提高分拣效率，减少人工劳动。

2.难点：机器视觉解决问题有哪些难点

1不能适应各种工程应用情况 ○

在实际应用中即使使用恒定的光源和高质量的镜头，但由于系统机械误差、特别是检测产品的多样化（形状、姿态、反光度、透明度、材质纹理等）导致实际图像千变万化，难以预测，也不可能建立理想模型去预估实际情况，因此需要视觉检测系统从图像采集、光源照明到检测算法都必须有很好的适应能力，即对各种情况的检测对象都必须保持稳定的检测结果。图像采集硬件必须尽量采集到突出检测对象的图像，检测算法必须在图像存在各种失真、干扰、部分缺失、遮挡、重叠的情况下保持很好的稳定度，才能在实际当中真正可靠应用。在稳定度、可靠性得到保障的情况下，系统才有实际应用意义，脱离稳定可靠，过多限制条件下的精度没有实际意义

2系统的易操作性能 差 ○

机器视觉系统的应用场合，大多是缺少高级技术人员，操作工的技术水平有限，不可能理解和调整复杂的系统参数以及复杂的检测算法原理。很多视觉系统通过调整许多参数可以使系统对不同产品能够达到较好效果，但实际应用中，操作员没有能力去调整过多难以理解的参数，导致系统的功能大打折扣。因此， 3

系统设计必须简化，检测算法的设计必须将检测参数精简到几个可以很好理解的参数，同时又不影响整个检测算法的效果。检测参数的调整最好配有可视化的辅助调整手段，提供调整建议。同时图形化的编程和可以灵活组态修改检测算法的系统具有明显的优势。在实际调试中，能够快速高效率地修改检测算法可以使系统更容易调整，或可调整。实际应用中，有时可提供的调整和测试时间是非常有限的。给予调试人员修改检测算法的信息往往也是有限的。要精简检测参数，实际上必须找到检测的关键点和重要点。

3系统不容易维护 ○

工程应用的系统必须考虑在长期运行当中的可维护性，即出现故障如何快速排除。许多实际系统，大量采用模块化设计，分布式系统、嵌入式系统大量应用。将功能集成模块化，许多维护工作就是模块的的组合和替换。集成相机、CPU、检测软件、I/O的智能图像处理相机系统得到大量应用。一个很小体积的模块就等于以往一个庞大的系统。其稳定性、可靠性高，同时在实际工程安装、调试当中非常方便。信号线都有标准接口、软件有各种组态软件和图形化的编程软件，检测算法有通用性，不需要专业图像处理专业知识就能理解和使用。 4系统的性价比 ○

系统往往受系统性价比影响，不能采用过多昂贵的部件，性能较好的低廉的系统才能被实际接受。优化组合各种部件，取长补短达到最佳的性价比是衡量一个系统的重要标志。

3.收获：通过跟踪机器视觉，你学到了什么？

我了解到了机器视觉的组成及工作原理：机器视觉系统处理的核心目标是“图像”，一目标物体的“图像”被单帧或多帧采集量化为数字化信息，反之可以说，用一些离散的数字化数值阵列就可以表示一目标物体的“图像”。对于复杂的“图像”或需要进行更高精度的处理来说，采集量化的数字化信息则要求更大。即处理精度与数字化信息量成正比。一般来说，图像用多级亮度来表示并进行量化采集，即所谓灰度法。以灰度来表示图像量化的每一个像元素特征。基于灰度法的机器视系统框图由图1所示。

机器视觉系统包括：光路系统、面阵摄像机(CCD)、量化存贮单元、模板库、专用高速处理单元、监视单元等大模块。其中光路系统由程控光源、变焦伺服机构、自动光圈、光学镜片组等组成。

对于以灰度进行量化处理的机器视觉系统而言，图像亮度是一个尤为重要的参数，而决定这一重要参数的因素便是光路系统的质量。一般来说机器视觉系统 4

为了避免环境自然光线或灯光对其工作状态的影响，光路设计均采用自足光源，程控光源要求亮度大、亮度可调、均匀性好、稳定性高，以抑制外界环境各种光对图像质量产生较大影响而导致机器视觉系统故障或误判行为。其次，光路系统设计需满足视场需求和图像分辨率要求。它的设计质量决定了图像质量，决定了机器视觉系统的准确率。

工业生产中采用的机器视觉系统，灰度级差异较大，小到二值图像、大到256灰度级，以及特殊需求可更大。采用的灰度级越大，数字化图像越逼真清晰，越接近原视图。一般来说，人眼能分辨的灰度级约为50～60级之问。因此64级灰度足以提供必要的观察信息及辨认需求，这是许多机器视觉系统采用64级灰度级的原因。但是，要使机器视觉系统具有很强的精密区别目标的能力，一般采用的灰度级为256级，但是由于要处理的信息量很大，要求处理单元有足够快的运算能力。例如采用512×512阵列像元图像量化为二值图像，一帧图像信息量为262 144Bit，而按256级灰度时，一帧图像信息量为2 000 000 Bit。因此，实用化的机器视觉系统除尽可能选用专用高速处理单元外，还应根据不同应用需要选取，在识别处理精度、处理时间长短、像元灰度级等因素之间进行综合平衡，以达到高效、实用的目的。

机器视觉系统常用的摄像机一般为固态CCD或线阵摄像机，面阵分辨率可为300～700线或更高，线阵分辨率则可多达4 048像元以至更高。根据需求进行取舍配置。

机器视觉系统的精度取决于摄像机视场和所包含的像元数量，视场越小，每个像元代表的距离也越小，识别精度也越高。标准CCD像元阵列为768×576和512×512二种。另外，为满足某些需要较大视场较小分辨率的要求，可设计多路CCD将视图分割为一个个较小视场，又可提高分辨率。

机器视觉系统的核心是专用高速图像处理单元，如何把存入存贮单元大量离散的数字化信息与模板库信息进行比较处理，并快速得出结论是处理单元软、硬件面对的问题。运算信息量大，意味着处理结果的准确率高，但如果运算时问较长，机器视觉便失去其存在的意义。这种信息量与运算速度之问的矛盾已成为世界各国微处理器研制生产厂商必须面对的课题。目前，已有多种视觉专用硬件处理器芯片、DSP芯片等等不断涌现并被广泛应用于计算机、通讯、娱乐等产品之中，进行高速图像计算、数据压缩，解压缩、贮存与传输。除去硬件因素，选用适当的算法，可以提高处理运行效率，减少存贮容量、提高运算速度及准确度。图像处理算法软件及技巧也成为高效机器视觉系统需要精益求精、探索不止的目的和不可缺少的重要组成部分。

四、 综述：为了解决你感兴趣的问题，你查找了哪些资料？

为了了解机器视觉以及机器视觉系统的运用我查了很多资料，主要阅读参考的文章有《基于图像分析与处理的电能表示值读取系统》、《机器人视觉实验平台及其算法设计》。下面是这两本书的大体介绍：

书名：基于图像分析与处理的电能表示值读取系统

【关键词】：电表 图像采集 图像识别 DSP CPLD

【摘要】： 目前长寿命机械式电表、全电子式电表只有码盘显示用电数据， 5

因其价格便宜、使用寿命长，得到了广泛应用，但需要依靠人工进行抄表和

收费管理。为实现抄表终端的信息化，本文提出了基于数字图像处理技术的

自动抄表和自动识别读数的解决方案。即设计抄表器，用其上的摄像头采集

电表数字码盘的图像信息，自动对采集的表盘数据进行处理，识别出电表数

字码盘的数字信息(电量值)以及用户的ID信息，并将信息存入抄表器中，实

现抄表终端的信息化。 论文利用数字图像处理技术和嵌入式技术，设计了电

能表示值读取系统。采用CMOS图像传感器OV5017采集电能表示值图像，应

用CPLD来设计图像数据采集接口，通过逻辑综合优化设计，实现了功能仿真

和时序分析，减少了CPU端软件设计的复杂度，提高了数据采集速度，使得

采集图像的清晰度有了很大的提高，为图像数据的有效识别打下基础。设计

了键盘和液晶显示器接口，实现了友好的人机界面。 本文根据普通电能表的

表盘数字特征采用了基于Canny算子的分割处理算法，减小了数据运算量，

提高了准确率；在图像预处理环节，提出了基于增大亮度和对比度的平均阈

值法，提高了二值化图像的清晰度和可处理度，为后续的图像处理奠定了基

础；采用了数字特征提取法，进行数字识别，即对每个数字提取横线、竖线、

水平过线数、垂直过线数四个特征，并设立相应的特征表，既简化了数字识

别算法，又提高了识别准确度。 基于图像分析与处理的电能表示值读取系统，

把抄表工作从繁重的体力劳动中解放出来，实现自动抄表，是抄表系统的一

种很好的替代与补充，将有很好的发展前景。

【作者】：李建志

书名：机器人视觉实验平台及其算法设计

【关键词】：双目立体视觉 机器视觉 特征匹配 自由度 视觉机构

【摘要】： 双目体视具有广阔的应用前景,随着光学、电子学以及计算机技术

的发展,不断进步,逐渐实用化,双目体视将被应用于生产、生活中的各个领

域。20世纪80年代初,Marr视觉计算理论的提出,使计算机视觉研究有了一

个比较明确的体系,对计算机视觉的研究产生了有力的推动作用。然而机器视

觉中仍然存在其瓶颈问题,那就是在左右图像中发现与同一空间点对应的成

像点对,即所谓的对应性问题。本文对使用激光源作为图像匹配特征的双目立

体视觉算法展开了研究与探索。 本文首先在分析了机器视觉的研究背景以及

6

双目视觉的仿生机理基础上,探讨了双目立体视觉原理。分析了四自由度视觉模型中各个坐标系之间的转换关系,四自由度视觉机构中,每个自由度都可以独立控制,因此推导了从摄像机坐标系到世界坐标系的转换关系。在上述讨论的基础上,给出了由同一点在不同图像中的坐标得到空间点坐标的定位算法;在摄像机标定时,讨论了采用最小二乘法进行参数标定的方法。 对机构的设计和动力学特性进行了初步的探讨。分析了四自由度双目立体视觉系统的设计目的和结构特点,探讨视觉机构的结构设计方案。根据四自由度双目视觉系统模型,采用拉格朗日功能平衡法,对该机构进行了动力学分析,建立了该机构动力学模型,并对其进行了动力学仿真,分析了该机构从运动时的时间响应特性,并为电动机的选择提供了理论依据。 课题研究中采用激光源作为匹配特征以简化过程,减少计算量,本文对这一方法进行了讨论。分析了激光点图像的特点,在激光点图像中,激光点像素灰度值明显高于背景灰度值,但是激光像素所占比例很小,讨论了如何有效利用激光像素的高亮特点进行特征匹配的方法。讨论了激光点图像分割时确定阈值的方法、干扰像素排除方法、激光点中心位置的求取方法等。 为了标定摄像机参数及检验本机构的定位精度,本文进行了空间点的定位实验。实验中采用平面打印标靶,利用已有设备三坐标测量仪获得目标物体的空间点坐标值,对待标定的摄像机参数进行了计算,并将标定值和目标点的图像坐标代入视觉算法模型得到计算坐标值,将计算所得的数据与实测数据进行比较,分析了造成误差的原因。 本文的研究工作取得了预期的效果,为今后的进一步研究打下了基础,相信随着研究工作的深入,相关技术不断完善,以激光标记为匹配特征的双目立体视觉系统必会取得令人满意的成果。

【作者】：朱方园

五．分析（20分）：这些资料告诉了你什么？没有告诉你，你想知道的什么？ 读《基于图像分析与处理的电能表示值读取系统》我了解到它是用抄表器上的摄像头采集电表数字码盘的图像信息，自动对采集的表盘数据进行处理，识别出电表数字码盘的数字信息(电量值)以及用户的ID信息，并将信息存入抄表器中，实现抄表终端的信息化。利用数字图像处理技术和嵌入式技术，设计了电能表示值读取系统。采用CMOS图像传感器OV5017采集电能表示值图像，应用CPLD来 7

设计图像数据采集接口，通过逻辑综合优化设计，实现了功能仿真和时序分析，减少了CPU端软件设计的复杂度，提高了数据采集速度，使得采集图像的清晰度有了很大的提高，为图像数据的有效识别打下基础。这解决了图像清晰度的问题，且利用液晶屏，实现人机交互。

读《机器人视觉实验平台及其算法设计》我明白了机器视觉的研究背景以及双目视觉的仿生机理基础上,探讨了双目立体视觉原理。分析了四自由度视觉模型中各个坐标系之间的转换关系,四自由度视觉机构中,每个自由度都可以独立控制,因此推导了从摄像机坐标系到世界坐标系的转换关系。给出了由同一点在不同图像中的坐标得到空间点坐标的定位算法;在摄像机标定时,讨论了采用最小二乘法进行参数标定的方法，且标定摄像机参数及检验本机构的定位精度,本文进行了空间点的定位实验。这本书里提出的理论有效地解决了机器视觉在工程操作中的精确度问题和对应性问题（在左右图像中发现与同一空间点对应的成像点对）。

六．结论：根据已有的资料，你觉得什么是现有技术能做的，什么是现有技术不能做的？在能做的中间，你打算做什么，并如何实现你的工作的实用价值？具体计划是什么？

根据现在我所学到的东西；我觉得现在我可以做的就是在农业中运用机器视觉。这主要是由于我对机器视觉系统的检测运用了解，可用它来解决社会生活中的基本问题，毕竟我国人民大部分是农民。

利用机器视觉技术实现农作物收获自动化。可在收获机械上配备摄像系统, 采集田间或果树上作业区域图像, 运用图像处理与分析的方法判别图像中是否有目标, 如水果、蔬菜等, 发现目标后, 引导机械手完成采摘。研究涉及西红柿、卷心菜、西瓜、苹果、柑桔等农产品。

如何实现我的果实采摘研究：首先我要缩小研究对象。所以我取西红柿作为所要收获的对象。

具体计划及步骤：

（1）分析其特征：分类——成熟、不成熟、干瘪。

（2）分许这些西红柿之间的差别：颜色（不成熟的呈青色或黄红色，成熟的鲜艳的红色）以及光滑度纹理（干瘪的西红柿不饱满所以不太光滑）。

（3）确定检测方法：根据我所想到的可能因素和我对机器视觉的了解，我只能从颜色和纹理来对西红柿进行判断。其中的主要关键是怎么确定颜色和纹理的差异。根据我学习的技术。我首先要对正常大都进行特征提取：

8

A （对采集的图片进行分许）形状特征：周长(指目标区域的轮廓的像素个数)、面积（指目标轮廓区域内德总像素个数）、圆形度（指目标区域的边界形状接近圆的程度）

B 颜色特征：主要用来判断不成熟的西红柿。

C 纹理特征：光滑的为不干瘪的，纹理有皱纹的为干瘪的坏的西红柿。 我想通过对这三个方面的分许来确定西红柿是否采摘。当然由于我个人技术的限制，我所选用的参数很单一，可是着理论上能够实现。

难点是：由于田间或果园作业环境较为复杂, 使得采集的图像含有大量噪声或干扰, 例如植物或蔬菜的果实常常被茎叶遮挡, 田间光照也时常变化, 因此, 造成目标信息判别速度较慢, 识别的准确率不高。

9