吳暉輝， 曾憲榮， 賴燕君， 吳福培

(1. 順德職業(yè)技術(shù)學(xué)院 機(jī)電工程學(xué)院， 廣東 佛山 528330； 2. 汕頭大學(xué) 機(jī)械電子工程系， 廣東 汕頭 515063)

0　引　言

線束連接器是電子電路設(shè)備中不可或缺的部件， 它的作用是連接阻斷處或孤立不通的電路； 近年來(lái)， 光纖系統(tǒng)中、 光信號(hào)通路中也使用連接器， 它們的作用與電路連接器相同. 隨著消費(fèi)電子、 汽車電子、 通信終端市場(chǎng)的快速增長(zhǎng)以及全球連接器生產(chǎn)能力不斷向亞洲及中國(guó)轉(zhuǎn)移， 中國(guó)已經(jīng)成為全球連接器增長(zhǎng)最快和容量最大的市場(chǎng). 目前， 連接器正向著信號(hào)傳輸集成化、 產(chǎn)品體積微型化、 插拔便捷化等方向發(fā)展， 對(duì)連接器的品質(zhì)要求也越發(fā)嚴(yán)格[1]. 為保證品質(zhì)， 在連接器的生產(chǎn)過(guò)程中， 對(duì)其塑封體上的字符進(jìn)行檢測(cè)是一道必不可少的工序， 該字符不僅包含著器件的類型型號(hào)等信息， 甚至包含了極性等相關(guān)信息， 清晰準(zhǔn)確的字符對(duì)用戶選擇和使用連接器具有極其重要的作用[2].

目前， 連接器上印刷字符大多采用人工目檢的方式， 這種方式智能性低、 效率差， 錯(cuò)誤率高. 伴隨著機(jī)器視覺(jué)的興起， 其具有的穩(wěn)定性、 智能性和準(zhǔn)確性使得它在多個(gè)工業(yè)領(lǐng)域內(nèi)都成功實(shí)施了應(yīng)用[3-5]， 也形成了諸多的檢測(cè)方法. 在字符識(shí)別領(lǐng)域， 神經(jīng)網(wǎng)絡(luò)具有自組織性、 自學(xué)習(xí)性以及自適應(yīng)性等優(yōu)點(diǎn)， 該方法已經(jīng)成功應(yīng)用于字符的視覺(jué)識(shí)別[6-10]. 針對(duì)此， 文中提出了一種基于機(jī)器視覺(jué)的檢測(cè)方法. 首先利用一階導(dǎo)數(shù)獲得印刷字符邊緣點(diǎn)， 并將邊緣點(diǎn)擬合為線， 由此定位字符的位置； 然后， 對(duì)字符分割、 歸一化， 提取特征， 并建立了用于印刷字符特征識(shí)別的BP神經(jīng)網(wǎng)絡(luò). 針對(duì)標(biāo)準(zhǔn)BP神經(jīng)網(wǎng)絡(luò)容易陷入局部極小值的特點(diǎn)， 引入附加動(dòng)量項(xiàng)對(duì)其進(jìn)行改進(jìn).

圖 1　檢測(cè)系統(tǒng)Fig.1　Inspection system

1　檢測(cè)系統(tǒng)組成

通常意義上所說(shuō)的檢測(cè)系統(tǒng)主要是指直接執(zhí)行檢測(cè)任務(wù)的在線檢測(cè)機(jī)器， 其結(jié)構(gòu)如圖 1 所示， 檢測(cè)過(guò)程為： 連接器經(jīng)傳送帶傳送至噴墨裝置時(shí)， 表面噴寫(xiě)印刷字符， 然后運(yùn)動(dòng)至檢測(cè)位置. 當(dāng)位置傳感器感應(yīng)到連接器到達(dá)預(yù)定的位置時(shí)， 相機(jī)拍照， 獲取連接器的圖像， 經(jīng)過(guò)分析后， 判斷連接器上印刷的字符是否合適， 如果字符不合適， 開(kāi)啟排出裝置， 利用高壓空氣， 將不良品從傳送帶吹出.

2　連接器和字符定位

當(dāng)位置傳感器位置和傳送帶的速度都固定時(shí)， 連接器拍攝的位置基本也是固定的， 其在圖像中的檢測(cè)位置也是固定的. 考慮到檢測(cè)系統(tǒng)為在線檢測(cè)， 為了減少處理時(shí)間， 提高檢測(cè)的實(shí)時(shí)性， 檢測(cè)過(guò)程只針對(duì)圖像中有連接器的部分進(jìn)行處理， 稱之為感興趣區(qū)域(ROI). 如圖 2 所示， 在連接器的圖像中， 可以預(yù)先設(shè)定一個(gè)矩形的ROI.

圖 2　連接器圖像和ROIFig.2　Connection image and ROI

確定ROI后， 需要知道連接器的具體位置， 然后定位字符的位置， 并將字符的位置與連接器的位置對(duì)比， 從而判斷印刷字符是否有偏差， 比如偏移、 歪斜， 最后識(shí)別連接器字符.

圖像中物體定位的方式有很多種， 比如匹配、 邊緣提取和分割等. 注意到連接器與傳送帶之間有明顯的灰度差異， 即邊緣特征很明顯， 因此， 論文采用邊緣提取的方式來(lái)定位連接器.

要提取邊緣， 首先得確定邊緣點(diǎn). 邊緣點(diǎn)是指圖像中周圍像素灰度有顯著變化的那些像素點(diǎn)， 即灰度值導(dǎo)數(shù)較大的地方. 對(duì)一個(gè)一維連續(xù)函數(shù)f(x)而言， 其邊緣點(diǎn)位于一階導(dǎo)數(shù)大于0的位置， 即f′(x)|?0. 注意到真實(shí)的圖像是離散行和列組成， 因此， 以某一行為例 ， 其一階導(dǎo)數(shù)定義為fi=fi-fi-1， 即在數(shù)組中， 第i點(diǎn)處的一階導(dǎo)數(shù)為第i點(diǎn)的灰度值與第i-1點(diǎn)的灰度值之差. 注意到這個(gè)定義并不對(duì)稱[8]， 一副尺寸為M*N的灰度圖像可以看作是2維的矩陣， 其在任意點(diǎn)處的導(dǎo)數(shù)定義為[9]

d(i,j)=[f(i+1,j+1)-f(i-1,j-1)]/2,

(1)

式中：f(i+1,j+1)是圖像中點(diǎn)(i+1,j+1)處的灰度值，i=1,2,…M-1，j=1,2,…,N-1.

在圖像數(shù)組中， 可以將每一行數(shù)據(jù)理解為由N個(gè)點(diǎn)構(gòu)成的搜索線， 在這條搜索線上， 對(duì)每一個(gè)點(diǎn)計(jì)算其導(dǎo)數(shù). 在邊緣點(diǎn)所在的位置， 前后兩點(diǎn)變化劇烈， 導(dǎo)數(shù)值比較大， 因此可以定義搜索線上變化最為劇烈的點(diǎn)為邊緣點(diǎn)， 如圖 3 所示. 沿水平方向任意取一條搜索線， 這條線上任一點(diǎn)對(duì)應(yīng)的灰度值剖面線和導(dǎo)數(shù)值如圖 4 所示. 很顯然， 灰度有顯著變化的邊緣點(diǎn)其一階導(dǎo)數(shù)值比較大， 而在平坦的區(qū)域， 導(dǎo)數(shù)值基本接近0， 據(jù)此可以確定邊緣點(diǎn)位置. 同理， 如圖 5 所示， 對(duì)于多條搜索線， 就可以獲得多個(gè)邊緣點(diǎn)， 然后利用最小二乘法擬合邊緣點(diǎn)， 就可以獲得一條由邊緣點(diǎn)構(gòu)成的豎直邊緣線.

圖 3　搜索線和邊緣點(diǎn)Fig.3　Search-line and edge points

圖 4　搜索線上各點(diǎn)的灰度值和導(dǎo)數(shù)值Fig.4　Gray value and derivative value of search-line

類似的， 也可以利用上述方法由上到下沿豎直方向建立搜索線， 獲得邊緣點(diǎn)， 并將其擬合為水平邊緣線， 從而確定連接器的位置， 如圖 6 所示. 注意到正常情況下， 印刷字符在連接器中大致的印刷位置是固定的， 因此可以以獲得連接器水平和豎直邊緣為準(zhǔn)， 確定文字的大致范圍， 然后利用上述方式定位文字的水平邊緣和豎直邊緣； 最后將文字的邊緣與連接器的邊緣對(duì)比， 兩者的水平方向距離和豎直方向距離如果在設(shè)定的范圍內(nèi)則印刷的字符位置合適， 否則判斷為不合格. 此外， 兩者的水平邊緣和豎直邊緣接近平行， 如果角度相差過(guò)大， 判斷為不合格， 不需要后續(xù)的識(shí)別.

圖 5　邊緣點(diǎn)擬合線Fig.5　Edge points and fitting line

圖 6　連接器和字符定位結(jié)果Fig.6　Location of connection and characters

3　字符預(yù)處理

經(jīng)過(guò)上述處理的印刷字符， 已經(jīng)排除了印刷位置和角度的不良， 接下來(lái)需要對(duì)字符進(jìn)行處理， 以便為字符的識(shí)別做好準(zhǔn)備.

3.1　二值化

字符定位后， 為將圖像中的目標(biāo)字符同背景區(qū)域分離， 應(yīng)對(duì)圖像進(jìn)行二值化處理， 考慮到字符跟背景的灰度值差異明顯， 直接用經(jīng)驗(yàn)值作為閾值， 二值化的結(jié)果如圖7(a)所示.

3.2　整體傾斜度調(diào)整

如前文的字符定位所述， 圖像中的印刷字符可能存在一定程度的傾斜， 需要進(jìn)行適當(dāng)?shù)恼{(diào)整以使字符處于同一個(gè)水平位置， 方便后續(xù)的字符分割并且降低字符識(shí)別時(shí)的難度.

3.3　字符分割

BP神經(jīng)網(wǎng)絡(luò)在訓(xùn)練和檢測(cè)時(shí)都只能以1個(gè)單獨(dú)的數(shù)字作為樣本， 因此二值化后的多個(gè)字符需要進(jìn)行分割， 可以利用字符之間間隔為白色的背景這個(gè)特點(diǎn)來(lái)分割. 具體步驟為：

1) 確定字符的左右寬度. 對(duì)二值化后的字符圖像， 依次取一列， 從上至下掃描， 遇到第一個(gè)黑色像素， 記錄其列號(hào)， 為字符左端位置； 繼續(xù)掃描， 直到遇到的某列中沒(méi)有黑色像素， 即為字符的右端位置. 這兩個(gè)列號(hào)就記錄了字符的大致寬度.

2) 確定圖像中字符的高度范圍. 在第1)步得到的寬度范圍內(nèi)自上而下進(jìn)行逐行掃描， 遇到第一個(gè)黑色像素， 記錄其行號(hào)， 即為字符的上端位置； 然后繼續(xù)掃描， 直到遇到有一行中沒(méi)有黑色像素， 即為字符的下端位置.

結(jié)果如圖7(b)所示.

圖 7　二值化字符和分割字符Fig.7　Characters binaryzation and segmentation

3.4　字符歸一化

由于連接器的大小不一樣， 為了跟連接器的尺寸匹配， 印刷的字符尺寸也各不相同， 因此獲得圖像中字符的大小不一， 而在訓(xùn)練和識(shí)別時(shí)， 都需要統(tǒng)一尺寸的字符對(duì)象， 因此有必要對(duì)字符進(jìn)行歸一化處理， 使其有相同的尺寸. 本文中， 將字符的尺寸統(tǒng)一設(shè)置為54*27. 算法首先定出字符的目標(biāo)寬度和高度， 并計(jì)算出水平和豎直方向的縮放因子， 然后對(duì)不同尺寸的字符完成像素映射， 實(shí)現(xiàn)縮放.

4　神經(jīng)網(wǎng)絡(luò)設(shè)計(jì)

4.1　建立神經(jīng)網(wǎng)絡(luò)

將多個(gè)sigmoid單元連接成圖 8 所示的3層網(wǎng)絡(luò)， 第1層為輸入層. 考慮到要識(shí)別的對(duì)象是圖像中的字符， 則輸入必然是這個(gè)字符的某種表示， 或者是能夠代表字符的特征. 如果選擇特征， 則每個(gè)字符的特征參數(shù)數(shù)量不同， 不適合固定輸入的分類器. 為此， 論文選擇將整個(gè)歸一化后的字符圖像作為輸入. 這樣輸入的特征向量的維數(shù)是圖像高和寬像素的乘積， 其大小54*27， 經(jīng)過(guò)再次抽樣后， 歸一化為18×9的矩形區(qū)域， 則對(duì)于每一個(gè)輸入字符樣本， 就有162(18×9)個(gè)特征， 即輸入層的節(jié)點(diǎn)數(shù)為162．

注意到檢測(cè)對(duì)象并不復(fù)雜， 為了減少訓(xùn)練時(shí)間， 采用1個(gè)隱藏層(第2層). 隱含層的傳遞函數(shù)采用S型函數(shù)， 其定義為

(2)

其中,

y=∑ωjixji,

(3)

式中：xji為隱藏層中第j個(gè)單元的第i個(gè)輸入變量；wji是輸入xji相關(guān)聯(lián)的權(quán)值. 誤差函數(shù)定義為

(4)

式中：w是權(quán)值wji的集合；ydk是第k個(gè)輸出節(jié)點(diǎn)的期望輸出；yk是網(wǎng)絡(luò)的實(shí)際輸出， 為了最小化誤差， 需要調(diào)整w中的每個(gè)wji權(quán)值. 為此， 采用梯度下降算法. 在該算法中， 對(duì)每個(gè)訓(xùn)練樣本利用樣本的誤差E的梯度來(lái)修改權(quán)值， 第j個(gè)單元其權(quán)值的更新法則為

ωji=ωji+Δωji, Δωji=ηδixji,

(5)

式中：η為學(xué)習(xí)速率，δi是誤差項(xiàng).

第3層為輸出層, 計(jì)算所有輸入信號(hào)的總和, 并被直接解釋為輸出. 對(duì)于輸出， 其結(jié)果為P,1,2,…,8,9， 總共10個(gè)類型. 可以指定輸出0, 0.1, 0.2, …, 0.9來(lái)編碼這10個(gè)輸出值， 當(dāng)結(jié)果為所需的類時(shí)， 與它對(duì)應(yīng)的輸出接近為1， 否則接近0.

4.2　訓(xùn)練神經(jīng)網(wǎng)絡(luò)

對(duì)于每一個(gè)樣本， 其輸出對(duì)應(yīng)于1種類別標(biāo)號(hào)， 訓(xùn)練時(shí)對(duì)于第k類輸出類型， 將結(jié)果設(shè)置為高值(例如0.9)， 其他單元設(shè)置為低值(例如0.1)， 測(cè)試時(shí)取具有最高的輸出單元編號(hào)作為網(wǎng)絡(luò)的預(yù)測(cè)值. 此方案兩個(gè)優(yōu)點(diǎn)： ① 相比于單一的輸出單元編碼方案， 可以讓目標(biāo)函數(shù)提供更大的自由度. ② 除了可提供類別信息外， 還可以提供有關(guān)分類決策的可靠性信息[9].

算法在開(kāi)始時(shí)將每一步迭代的累積誤差清零； 然后對(duì)于訓(xùn)練集中的每一個(gè)樣本， 沿網(wǎng)絡(luò)向前傳播， 計(jì)算網(wǎng)絡(luò)的輸出并保存至向量， 接著根據(jù)這個(gè)輸出與樣本的目標(biāo)輸出之間的誤差按照前述的公式更新權(quán)值， 使得當(dāng)同樣的輸入再次送入網(wǎng)絡(luò)時(shí)， 其輸出能接近正確答案. 一旦輸出層的權(quán)值已經(jīng)調(diào)整完畢， 就可以對(duì)隱藏層的權(quán)值做同樣的事情， 經(jīng)過(guò)多次迭代， 直到誤差值降低到一個(gè)設(shè)定的可以接受的閾值內(nèi).

對(duì)于學(xué)習(xí)速率η， 考慮將其設(shè)置的比較小， 防止搜索步長(zhǎng)太大而越過(guò)誤差曲面最小值.

5　實(shí)驗(yàn)驗(yàn)證

根據(jù)具體的待測(cè)目標(biāo)， 實(shí)驗(yàn)選取230幅每幅含有兩組字符的圖像. 每組包含9個(gè)數(shù)字字符， 一個(gè)英文字符P， 共460個(gè)字符， 作為訓(xùn)練和測(cè)試樣本. 部分訓(xùn)練樣本組成的序列如圖 6 所示.

實(shí)驗(yàn)將460個(gè)樣本分為兩組， 訓(xùn)練樣本260個(gè)和檢測(cè)樣本200個(gè). 對(duì)樣本進(jìn)行訓(xùn)練， 設(shè)定學(xué)習(xí)速率為0.1， 誤差閾值為0.001， 隱藏層節(jié)點(diǎn)數(shù)分別為10和30時(shí). 其學(xué)習(xí)收斂過(guò)程如圖 8 所示. 隱藏層節(jié)點(diǎn)數(shù)為10時(shí)， 迭代1 200次即達(dá)到誤差要求， 耗時(shí)約為29 s； 隱藏層節(jié)點(diǎn)數(shù)為30時(shí)， 迭代670次即達(dá)到誤差要求， 耗時(shí)約為22 s. 一般說(shuō)來(lái)， 隱藏層中的單元數(shù)目越多， 意味著權(quán)值越多， 這為網(wǎng)絡(luò)擬合訓(xùn)練數(shù)據(jù)提供了更大的自由度， 因此， 其訓(xùn)練時(shí)， 更容易收斂. 然而過(guò)多的單元數(shù)目會(huì)導(dǎo)致訓(xùn)練時(shí)間過(guò)長(zhǎng)， 而且有可能由于過(guò)渡擬合而導(dǎo)致測(cè)試數(shù)據(jù)的識(shí)別率下降. 在本文中， 我們嘗試將隱藏節(jié)點(diǎn)數(shù)增加到60次時(shí)， 迭代420次即達(dá)到要求， 但是網(wǎng)絡(luò)的訓(xùn)練耗時(shí)達(dá)到37 s.

圖 8　神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)Fig.8　Neural network structure

圖 9　神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)收斂過(guò)程Fig.9　The convergence procedure of the neural network training

實(shí)驗(yàn)中發(fā)現(xiàn)， 由于待檢測(cè)到對(duì)象是固定的有規(guī)則的數(shù)字和字母， 因此識(shí)別率比較高. 對(duì)隱層節(jié)點(diǎn)數(shù)30， 迭代到誤差符合閾值網(wǎng)絡(luò)， 將200個(gè)樣本作為對(duì)像輸入， 對(duì)字符的識(shí)別率達(dá)到了98.2%， 單個(gè)字符的識(shí)別時(shí)間平均約為120 ms， 如表 1 所示.

考慮到固定學(xué)習(xí)率法對(duì)初始學(xué)習(xí)率的依賴度較高， 較小的學(xué)習(xí)率會(huì)使訓(xùn)練時(shí)間較長(zhǎng)， 但可以獲得較高的字符識(shí)別率； 而學(xué)習(xí)率過(guò)高時(shí)， 則存在震蕩特性， 對(duì)網(wǎng)絡(luò)性能帶來(lái)不利影響. 自適應(yīng)學(xué)習(xí)率法通過(guò)在搜索過(guò)程中根據(jù)誤差自動(dòng)調(diào)節(jié)學(xué)習(xí)率， 從而增大收斂方向的搜索步長(zhǎng)來(lái)加速收斂或者減小步長(zhǎng)來(lái)提高搜索精度， 但是依然可能陷入局部極小、 高頻震蕩等. 為此， 引入了附加動(dòng)量

Δωji(t+1)=(1-α)ηδixji+αΔωji(t),

(6)

式中： Δωji(t)表示第t次迭代時(shí)的權(quán)值更新；α是一個(gè)常數(shù)， 稱為附加動(dòng)量.

可見(jiàn)， 與式(5)相比， 其權(quán)值更新時(shí)， 增加了一個(gè)動(dòng)量α， 使得網(wǎng)絡(luò)可以更容易從局部極小值中爬升出來(lái). 實(shí)驗(yàn)表明： 引入動(dòng)量因子后， 加快了網(wǎng)絡(luò)的訓(xùn)練速度， 進(jìn)一步提高了系統(tǒng)收斂速度和精度．在初始學(xué)習(xí)率0.1、 誤差閾值0.001， 隱層節(jié)點(diǎn)數(shù)為30的情況下， 引入動(dòng)量因子0.5， 網(wǎng)絡(luò)性能比較結(jié)果如表1所示， 迭代次數(shù)為460次， 對(duì)字符識(shí)別的準(zhǔn)確率為99.1%， 單個(gè)字符的識(shí)別時(shí)間平均約為95 ms， 可知具有更高的識(shí)別效率和準(zhǔn)確率. 表 1 給出了測(cè)試樣本圖像的識(shí)別結(jié)果.

表 1　檢測(cè)結(jié)果

6　結(jié)　論

針對(duì)連接器字符人工檢測(cè)存在的不足， 提出了一種基于機(jī)器視覺(jué)的檢測(cè)方法. 在自動(dòng)定位并分割字符后， 將歸一化的字符圖像作為特征輸入網(wǎng)絡(luò). 同時(shí)， 在保留傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)優(yōu)點(diǎn)的同時(shí)， 通過(guò)引入附加動(dòng)量因子， 有效降低了收斂算法陷入局部極小點(diǎn)的危險(xiǎn)性， 縮短了迭代次數(shù). 實(shí)驗(yàn)證明， 論文提出的基于機(jī)器視覺(jué)的連接器字符圖像檢測(cè)方法準(zhǔn)確率可達(dá)99.1%. 目前該檢測(cè)系統(tǒng)已成功應(yīng)用于佛山一家電業(yè)公司的連接器檢測(cè)， 下一步工作重點(diǎn)是： 優(yōu)化網(wǎng)絡(luò)參數(shù)， 改善收斂算法， 進(jìn)一步提高檢測(cè)的精度和速度.

參考文獻(xiàn)：

[1]錢(qián)萍， 陳文華， 高亮， 等. 航天電連接器綜合應(yīng)力可靠性統(tǒng)計(jì)模型的驗(yàn)證[J]. 中國(guó)機(jī)械工程， 2011， 22(3)： 257-261.

Qian Ping, Chen Wenhua, Gao Liang, et al. Reliability statistical model verification of aerospace electrical connectors under multiple stresses[J]. China Mechanical Engineering, 2011, 22(3)： 257-261. (in Chinese)

[2]黃先學(xué)， 韓震宇. 基于OPENCV的半導(dǎo)體元器件字符檢測(cè)方法[J]. 計(jì)測(cè)技術(shù)， 2013， 33(4)： 30-32.

Huang Xianxue, Han Zhenyu. A method for semiconductor electronic components character detection based on OpenCV[J]. Metrology & Measurement Technology, 2013, 33(4)： 30-32. (in Chinese)

[3]王益恩， 夏如艇， 陳洪立. 銑刀機(jī)器視覺(jué)檢測(cè)系統(tǒng)設(shè)計(jì)[J]. 測(cè)試技術(shù)學(xué)報(bào)， 2015， 29(3)： 235-240.

Wang Yien, Xia Ruting, Chen Hongli. Design of machine vision measurement for cutter[J]. Journal of test and measurement technology, 2015, 29(3)： 235-240. (in Chinese)

[4]吳暉輝， 張憲民. 多引腳類貼裝器件的爐前檢測(cè)算法[J]. 電子測(cè)量與技術(shù)學(xué)報(bào)， 2011， 25(11)： 998-1005.

Wu Huihui, Zhang Xianmin. Inspection algorithm of before-furnace for multi-leads surface mounted devices [J]. Journal of Electronic Measurement and Instrument, 2011, 25(11)： 998-1005. (in Chinese)

[5]張堃， 王明泉， 張俊生.基于機(jī)器視覺(jué)的光纖傳像元件缺陷檢測(cè)系統(tǒng)[J]. 測(cè)試技術(shù)學(xué)報(bào)， 2017， 31(4)： 298-303.

Zhang Kun, Wang Mingquan, Zhang Junsheng. Surface defect detection system for optical fiber devices for image transmission based on machine vision[J]. Journal of Test and MeasuremenT technology, 2017, 31(4)： 298-303. (in Chinese)

[6]許宜申， 顧濟(jì)華， 陶智， 等. 基于改進(jìn)BP神經(jīng)網(wǎng)絡(luò)的手寫(xiě)字符識(shí)別[J]. 通信技術(shù)， 2011， 44(5)： 106-109.

Xu YiShen, Gu Jihua, Tao Zhi, et al. Handwritten character recognition based on improved BP neural network[J]. Communications Technology, 2011, 44(5)： 106-109. (in Chinese)

[7]Kaushik Deb, Md Ibrahim Khan, Anik Saha, et al. An efficient method of vehicle license plate recognition based on sliding concentric Windows and artificial neural network [J]. ELSEVIER SciVerse Science Direct, 2012(4)： 812 -819. (in Chinese)

[8]Carsten Steger, Markus Urich, Christian Wiedemann. 機(jī)器視覺(jué)算法與應(yīng)用(雙語(yǔ)版) [M]. 楊少榮， 吳迪靖， 段德山, 譯. 北京： 清華大學(xué)出版社， 2011.

[9]張錚， 王艷平， 薛桂香. 數(shù)字圖像處理與機(jī)器視覺(jué)[M]. 北京：人民郵電出版社， 2012.