langlegapanh_roilaiyeuanh
New Member
Download miễn phí Đề tài Hợp tác nghiên cứu phát triển các hệ thống xử lý ảnh nhanh trên cơ sở áp dụng công nghệ mạng nơron phi tuyến tế bào
MỤC LỤC
Trang
1. BÁO CÁO KẾT QUẢKHẢO SÁT, NGHIÊN CỨU MẠNG NƠRON TẾBÀO VÀ
CÔNG NGHỆXỬLÝ ẢNH NHANH TRÊN MẠNG NƠRON TẾBÀO CNN 01
1.1. Mở đầu 01
1.2. Mạng nơron tếbào CNN 03
1.3. Máy tính vạn năng mạng nơron tếbào CNN – UM 32
1.4. Công nghệxửlý ảnh nhanh trên nền mạng CNN 39
1.4.1. Máy tính xửlý ảnh nhanh CNN Bi – I 39
1.4.2. Hệphần mềm phát triển Bi – I 46
1.4.3. Thưviện xửlý ảnh InstantVision 55
1.5. Một sốphương pháp xửlý theo công nghệmạng CNN 71
1.5.1. Thiết kếcác mẫu (A, B, z) cho mạng CNN 71
1.5.2. Mô hình hóa phương trình đạo hàm riêng sửdụng mạng CNN 81
1.5.3. Mô hình mắt nhân tạo sửdụng mạng CNN 86
1.5.4. Phương pháp xửlý ảnh vân tay sửdụng mạng CNN 91
1.6. Khảnăng ứng dụng của CNN 97
1.6.1. Khảnăng ứng dụng công nghệCNN trong công nghiệp và các ngành kinh tế 97
1.6.2. Nhu cầu và tiềm năng ứng dụng công nghệCNN cho quốc phòng và an ninh 100
1.7. Một sốkết quảchính vềnghiên cứu phát triển công nghệCNN tại Viện MTA SzTAKI
Hungary thời gian gần đây 104
2. XÂY DỰNG CÁC MÔ HÌNH VÀ THỬNGHIỆM CÔNG NGHỆXỬLÝ ẢNH
NHANH CNN PHỤC VỤCHO NGHIÊN CỨU VÀ ĐÀO TẠO 107
2.1. Mô hình phát tia lửa điện phục vụcho thí nghiệm thu ảnh tốc độcao 107
2.2. Mô hình nhận dạng kiểm tra sản phẩm tốc độcao phục vụcho nghiên cứu và đào tạo 120
2.3. Thí nghiệm kiểm tra nhanh đai ốc đường sắt sửdụng công nghệCNN 147
2.4. Thửnghiệm khảnăng thu ảnh nhanh các sựkiện thay đổi đột ngột bằng thí nghiệm nổ
bong bóng 153
3. KIẾN NGHỊPHƯƠNG HƯỚNG PHÁT TRIỂN VÀ ỨNG DỤNG CÔNG NGHỆ Ở
VIỆT NAM 165
4. CÁC ẤN PHẨM ĐÃ CÔNG BỐ 169
TÀI LIỆU THAM KHẢO 170
Để tải bản Đầy Đủ của tài liệu, xin Trả lời bài viết này, Mods sẽ gửi Link download cho bạn sớm nhất qua hòm tin nhắn.
Ai cần download tài liệu gì mà không tìm thấy ở đây, thì đăng yêu cầu down tại đây nhé:
Nhận download tài liệu miễn phí
Tóm tắt nội dung tài liệu:
xác định các phần tử tương ứng sau:a. Cell CNN động [ ]iii IvfCdt
dv −−= )(1 (77)
i
i v
dt
d =ϕ (78)
b. Luật tiếp hợp CNN )2(1 111 +− +−=−= − iiiLLi LiiI ii ϕϕϕ (79)
Khi là thông lượng liên kết tại node j. Ta thấy rằng luật tiếp hợp (79) là toán
tử Laplace rời rạc một chiều của thông lượng liên kết ϕi. Với cấu trúc CNN trong miền riêng này
ta có mẫu như sau:
∫
∞−
=
t
ii dvt ττϕ )()(
83
⎥⎥
⎥
⎦
⎤
⎢⎢
⎢
⎣
⎡
−=
000
121
000
A
Với toán tử * nguồn điều khiển tiếp hợp được xác định:
[ ] )()()(),(* 111 +
∞−
++ −=−= ∫ iiit iiiiii advvavvfa ϕϕτττ
Nếu thay (78) và (79) vào (77) chúng ta nhận được
1)( 22
2
ii
i
L
f
dt
dC ϕϕϕ ∇=+ với j= 0,1,2,...k-1,k,k+1... (80)
Giả sử ta chọn điện cảm phi tuyến là hàm Josephson mô tả bởi it= f(ϕi)= sin(ϕi) và chọn
đơn giản L=C=1 , ta sẽ nhận được phương trình Sine-Gordon.
Mô hình CNN với phương trình FitzHugh-Nagumo
Mô hình toán học được sử dụng rộng rãi nhất của việc kích thích và truyền xung lực
trong hệ thần kinh là phương trình FitzHugh-Nagumo. Người ta đã xác định được phương trình
này - việc truyền xung tích cực có thể hợp nhất dưới ảnh hưởng của hiện tượng CNN truyền
tương tác một chiều khi mà các cell ở tình trạng suy giảm trong máy phát dao động của L.O.
Chua. Trong phần này chúng ta tập trung vào vấn đề CNN truyền tương tác với luật tiếp hợp
tuyến tính mà xấp xỉ với toán tử Laplace không gian.
Vùng CNN cục bộ trong hệ CNN hình thành từng cặp bởi một lớp các trở tuyến tính tạo
ra một thiết bị đồng bộ, các hoạt động của chúng sinh ra hiện tượng sóng. Trong trường hợp này
vì phương trình FitzHugh-Nagumo là dạng đơn giản hoá của phương trình Hodgkin - Huxley cổ
điển mô tả việc truyền tín hiệu của hệ thần kinh. Chúng ta có thể chứng minh rằng việc chọn
chính xác tham số mạch hệ CNN sẽ mô tả tổng quát đa dạng hơn việc truyền tín hiệu thần kinh.
Xét dạng phương trình FitzHugh-Nagumo:
ut = u(u-a)(1-u)-ω +uxx (81)
ωt = ε(u-bω)
Khi ut là đạo hàm riêng bậc 1 của u(t,x) với t, uxx là đạo hàm riêng cấp 2 của u với x, ωt
đạo hàm riêng cấp 1 của ω(t,x) với t,b≥0; 0
thần kinh. Với ε nhỏ, ω biến thiên chậm so với u và trong thời gian quá độ chúng ta có thể giả sử
rằng ω thay đổi không đáng kể nên coi gần đúng ω= 0. Vì vậy:
ut = u(u-a)(1-u) + uxx
Ở đậy u = 0 tương ứng với trạng thái nghỉ và u=1 là trạng thái kích hoạt của thần kinh.
Phương trình này đã chứng minh rằng u = 0 và u =1 là ổn định trái lại u = a là không ổn định vì
vậy đây là hiện tượng ngưỡng. Mô hình với ω= 0 có thể đoán rằng sự kích thích cục bộ xác
định có thể đủ kích hoạt mặt trước của sóng như là tế bào thần kinh trong trạng thái nghỉ trước
khi chuyển trạng thái kích hoạt sau đó. Do vậy thông tin được truyền đi dọc theo hệ thần kinh.
Để mô hình truyền tín hiệu thần kinh thành hiện thực cần có một cơ cấu trở về từ trạng thái
nghỉ để tế bào thần kinh được kích hoạt trở lại và đây là tác dụng của biến ω
84
Những cơ hội và thách thức của CNN
Như ta đã nghiên cứu hệ CNN có những khả năng ứng dụng to lớn trong việc tính toán
với tốc độ cao. Công nghệ này đáp ứng với những lớp bài toán của xử lý thời gian thực không
gian vào có tham số lớn. Ngày nay với sự phát triển nhanh chóng của công nghệ vi mạch hệ
CNN có khả năng mở rộng số lượng các cell trong hệ thống, đồng thời mở rộng không gian
(biên) bài toán. Với cấu trúc phần cứng của cell ta còn có thể bổ xung các phần tử mạch khi cần
thiết để tăng khả năng giải quyết bài toán trong CNN.
Việc nghiên cứu ứng dụng công nghệ CNN ở Việt Nam còn chưa nhiều. Nhiều chức năng,
đặc điểm, cũng như các bài toán ứng của CNN chưa được phát hiện và triển khai. Những dạng
phương trình đạo hàm riêng đưa ra ở đây chỉ có tính tổng hợp và giới thiệu. Chúng cần được
nghiên cứu tỉ mỉ cài đặt chạy thử so sánh với cách giải trên máy tính thông thường mới đánh giá
sự đúng đắn của nó. Từ đó có thể phát triển ứng dụng trong một nhiệm vụ tính toán cụ thể. Đây
là cơ hội cho lực lượng cán bộ trẻ nghiên cứu và phát triển.
Tuy vậy, việc nghiên cứu mô hình hóa các bài toán phương trình đạo hàm riêng trên
CNN cũng có nhiều thác thức. Đây là các bài toán ứng dụng nên việc khảo sát đưa ra bài toán
hoàn chỉnh với các ràng buộc, điều kiện biên đúng đắn chính xác không dễ dàng.
Việc thiết kế các mẫu (templates) đưa vào CNN cũng là vấn đề cần nghiên cứu, bắt buộc
ta phải hiểu tỉ mỉ cấu trúc mạch của các hệ CNN (một lớp, nhiều lớp...) vì trong khi đưa các mẫu
vào có thể phải thêm vào các phần tử mạch tuyến tính, hay phi tuyến. Việc can thiệp vào cấu trúc
mạch điện của CNN cần có những thử nghiệm phức tạp. Điều này khác hẳn các bài toán triển
khai trên máy tính thông thường.
85
1.5.3. Mô hình mắt nhân tạo sử dụng mạng CNN
Giới thiệu chung
Sự phát triển của công nghệ thông tin và vi điện tử ngày nay đã tạo điều kiện cho nhiều
lĩnh vực nghiên cứu mới ra đời mà ứng dụng của chúng đã và đang hơn bao giờ hết làm cho
khoa học công nghệ trở nên gần gũi với con người. Trong số đó, các nghiên cứu về Tin sinh học
(Bioinformatics) nói chung và thị giác nhân tạo nói riêng là một lĩnh vực còn mới mẻ và đang
được các nhà nghiên cứu trên thế giới quan tâm. Nghiên cứu về thị giác sinh học, võng mạc nhân
tạo, không chỉ nhằm mục đích lâu dài là chế tạo được một cấu trúc thị giác phỏng sinh học giúp
người khiếm thị nhìn thấy được, mà trước mắt có thể ứng dụng trực tiếp trong nhiều lĩnh vực
của đời sống, trong các dây chuyền sản xuất công nghiệp, trong các hệ thống an ninh, quốc
phòng... Phần này sẽ trình bày tóm tắt một số kết quả nghiên cứu về thị giác nhân tạo trên thế
giới và một số kết quả nghiên cứu hứa hẹn nhiều triển vọng trong nghiên cứu thị giác nhân tạo
ứng dụng công nghệ tính toán mạng nơron/phi tuyến tế bào CNN.
Thị giác sinh học [10]
Thị giác có lẽ là giác quan quan trọng
nhất của động vật trong tự nhiên. Nghiên cứu các
cơ chế của thị giác sinh học sẽ giải quyết được
nhiều vấn đề về xử lý ảnh khác, có ý nghĩa ứng
dụng to lớn vào trong nhiều lĩnh vực ứng dụng
công nghệ.
Nguyên lý hoạt động của thị giác được
mô tả như sau: Ánh sáng đi qua một lớp mô khúc
xạ trong suốt gọi là giác mạc (cornea). Giác mạc
tập trung ánh sáng và hướng nó tới con ngươi,
hay gọi là lòng đen của mắt (pupil). Phía sau con
ngươi là thấu kính, sẽ điều chỉnh sự hội tụ trên
võng mạc (retina). Võng mạc bao gồm vài lớp tế
bào.
Hình 38: Cấu trúc mắt người và
các thành phần của võng mạc.
Các tế bào kích thích nhận ánh sáng (photoreceptors), nằm ở lớp ngoài cùng của võng
mạc, gọi là các tế bào hình que (rods) và tế bào hình nón (cones). Các tế bào hình que được tập
trung ở bên ngoài, nhạy hơn đối với ánh sáng y...