JS 杂志上的传感器 1687 - 7268 1687 - 725 x Hindawi出版公司 10.1155 / 2016/4052101 4052101 研究文章 基于cuda的加速混合直觉模糊边缘检测与人工神经网络的辣椒茎秆方向检测 http://orcid.org/0000-0002-1552-3889 枪 Mahit 1 http://orcid.org/0000-0002-4262-8774 bad 哈桑 2 Evoy Stephane. 1 电气与电子工程系 Kahramanmaras Sutcu Imam大学 Kahramanmaras 火鸡 ksu.edu.tr 2 计算机工程系 Erciyes大学 开塞里 火鸡 erciyes.edu.tr 2016 5. 10 2016 2016 01 06 2016 08 09 2016 5. 10 2016 2016 版权所有©2016 Mahit Gunes and Hasan Badem。 这是一篇在知识共享署名许可下发布的开放存取的文章，它允许在任何媒体上无限制地使用、传播和复制，只要原始作品被适当地引用。

近年来，计算机视觉系统已被广泛应用于工业的各个领域。在本研究中，利用CUDA (GPU)开发了比CPU快79倍的图像处理算法。我们在辣椒去梗过程中使用了这种加速算法。全国辣椒总产量的65%是在我们的城市生产的，土耳其的Kahramanmaras和Gaziantep。该算法首先采用混合直觉模糊边缘检测算法对原始图像进行预处理，并采用Otsu法确定自动阈值;然后利用多层感知器人工神经网络对处理后的图像进行模式分类。人工神经网络用于辣椒方向检测的测试结果表明，在基于cpu和gpu的实现中均具有较高的准确性。

 1.介绍

图像处理，改变当前图像和图形，以及分离，改进或定义图像中的对象在工业中发现了许多应用区域[ 1那 2］．自1960年以来，这些几乎在空间研究，医疗，军事，教育，农业，工业，地理，考古，物理学，生物学，角色识别，指纹识别等中使用，如空间研究，医疗，军事，教育，农业，依赖，等等 3.］．本研究旨在开发图像处理算法，从Kahramanmaras和Gaziantep地区特有的红辣椒中去除用于生产红辣椒片或辣椒粉的辣椒[ 4.］．红辣椒以辣椒粉或红辣椒片的形式在世界各地因其味、味、香、苦、色而广泛应用于食品中[ 4.］．

在用红辣椒制作辣椒片或辣椒粉的过程中，有两种方法:太阳晒干和烤箱晒干[ 5.那 6.］．由于辣椒去梗是一个复杂的过程，文献中关于辣椒去梗的科学研究较少。这项专利编号为US2008/0289515A1的研究包括一种机械系统，该系统是为胡椒去茎而开发的[ 7.］．在本研究中，使用了激光传感器的机器视觉算法。在新墨西哥州立大学M-Tec实验室的另一项研究中，他们在机械系统中进行了尝试，开发了一种计算机视觉系统，利用x射线相机的图像与边缘图像的距离方法来分离辣椒。 8.］．

除本产品外，辣椒的去皮仍然是人力完成的。所开发的系统包括图像处理和模式识别两个阶段。

在图像处理阶段，一种新的混合直觉模糊边缘检测(HIFED)算法在线性结构中取得了非常成功的结果，因为它根据专家设计人员确定的规则给出结果。该算法包含了最小化专家误差的踌躇计算，得到了更稳定的结果，而这在经典模糊逻辑中是没有的。在已开发的系统中，利用HIFED对从相机捕获的辣椒图像进行边缘提取。在纯直觉模糊逻辑(IFED)边缘提取算法中，阈值处理是在系统设计者确定的静态值上进行的。在静态值上应用阈值处理是该算法的一个缺点。因此，在本研究中，我们使用了Otsu方法来消除这个问题。Otsu方法是一种从图像的数值中自动确定阈值的方法。

在模式识别阶段，采用了人工神经网络算法，该算法主要用于解决具有容错能力的复杂问题。本研究采用多层感知器(multilayer perceptron, MLP)模型来确定提取的边缘的胡椒模式是向上还是向下。

可以看出，基于CPU的应用程序实时实现这些算法很慢。因此，在文献调查中，可以看出，在许多地区应用基于GPU的软件支持的系统已经加速了数十次。对于解决这个问题的解决方案，已使用CUDA技术，这是一种基于GPU的软件开发，由NVIDIA公司开发。

本文的其余部分组织如下。在部分 2，系统结构解释了二手算法和开发的计算机视觉系统。在部分 3.，最先进的方法和报告的分析和结果。在最后一节中，总结了该研究，结果在结果中得到了评论。

 2.系统结构

HIFED算法已用于图像处理系统。在纯IFED算法中，在静态值下执行阈值。在本研究中首次使用具有图像的数值的自动阈值计算方法的OTSU方法，以消除工业应用中的这种缺点，并且获得更明显的图案。通过使用ANN确定提取的边缘图像的ANN确定胡椒的方向。该分类过程的输出通过驱动电路传送到辣椒反转单元。开发系统的一般框图如图所示 1系统的一般算法如图所示 2．所开发的系统包括计算机视觉系统、图像捕获、图像处理算法和模式识别算法等子单元。

系统的总体框图。

系统算法。

 2．1.计算机视觉系统

计算机视觉系统包括使用帧抓取卡捕获相机图像的过程中的所有阶段，以将它们传送到计算机。在开发系统的同时，确定每单位时间最佳的分辨率 200 × 400 ，考虑到捕获图像的质量和单位时间内分析的辣椒数量的处理速度。

 ２.２.图像捕捉

OpenCV库使用数码相机拍摄的图像在基于cpu和基于gpu (CUDA)的软件上进行处理。它是最理想的图像捕捉库，实现了图像的所有功能，工作在CUDA平台上，支持C编程语言进行软件开发。

从连接到系统的摄像机捕捉图像提供了打开空窗口并将摄像机的图像存储在那里。它提供了在基于CPU和gpu的应用程序的处理函数中对存储的帧对象进行图像数值处理的机会[ 9.］．

 ２.３.图像处理算法

在本系统中，首先利用IFED算法对辣椒图像进行处理，确定辣椒到达磨床的方向。在该算法中，阈值的处理是通过试错的方法在静态阈值上进行的。为了消除这一缺点，使用了大津法。因此，得到HIFED算法[ 10］．这些算法用于基于cpu和基于gpu的应用程序。

2.3.1。CUDA和gtx480的基本特性

CUDA是最近开发的硬件和编程API(应用程序编程接口)的GPU编程，由NVIDIA公司在2006年发布，它可以使用稍微增加 C 语言。由于其GPU结构，它被许多用户非常容易和有效地使用。

CUDA程序由串行(CPU)和并行(GPU)两部分组成。平行部分叫做 核心．由于NVCC (NVIDIA C Compiler)将源代码分离为CPU和GPU代码，因此所需的开发应用程序不能完全由CUDA完成。

本研究采用NVIDIA GTX 480图形卡的核心结构。CUDA核心被分成32组，称为流多处理器(SM)。总共有16条短信。这些短信以32个线程为一组，每个线程的块被称为翘曲。经纱上的所有线都执行相同的代码。设备有3种不同的存储器:全局存储器、常量存储器和纹理存储器。全局内存是GPU中存储数据和进程的部分。数据存储到应用程序结束。CPU和线程可以通信。GTX 480显卡具有1.5 GB DDR5容量。 Constant memory is written by CPU and read by threads. The data is kept till end of the process. It is fast since it is cached and its size is 64 KB. Texture memory is for filtering, image processing, and 3 dimensional area calculations. Data writing process is carried out by CPU, and reading process is carried out by threads. Texture memory size might change between 6 and 8 KB [ 11］．这三种类型的存储器可以与主机存储器通信。每个多处理器基本上有三种类型的内存模型。它们是本地内存、寄存器和共享内存。本地内存是线程的内存。它不允许用户访问。共享内存是存储每个线程块数据的地方。共享内存是最快的内存模型，因为线程可以直接到达它[ 12］．每个线程块中的共享内存大小被限制为48 KB。

 2.3.2。直觉模糊套

据说，在Zadeh的[ 13在经典的模糊逻辑理论中，阿塔纳索夫声称这个定义是正确的，尽管它在现实生活中可能不正确。除了Atanassov的主张，还有人指出，在现实生活经验中确定的任何价值都不能在真实的会员价值中正确确定[ 14］．为了解决这一问题，需要注意第三个参数，即犹豫值。它应该添加到( 1)这就是Zadeh的经典模糊逻辑理论: （1） 一种 = X 那 μ 一种 X 那 υ 一种 X ∣ X ∈ X ．

这里 μ 一种 X ： X → 0，1 是否各有会员资格 X 组件中定义 X 集。根据Zadeh的理论[ 13]，非签名价值 υ 一种 （ X ） 来自 （2） υ 一种 = 1 - μ 一种 X ．

这种情况的数学表示如下 （3） 一种 = X 那 μ 一种 X 那 1 - μ 一种 X ∣ X ∈ X ．

Atanassov表明，应将直觉模糊逻辑或犹豫价值陈述的指标添加到Zadeh的模糊逻辑集理论（ 3.)以减少用户的错误。在这种新情况下，存在带有犹豫值的模糊逻辑表述。已知模糊逻辑集的隶属值和非隶属值之和为1。直观模糊逻辑集理论的总值加上直观度表示为 （4） μ 一种 X + υ 一种 X + π 一种 X = 1 ．

参数（ 4.） 如下面所述：

μ 一种 （ X ） 是使用图形集的会员值。

υ 一种 （ X ） 为直觉模糊逻辑的非隶属值。该值从( 5.)．

π 一种 （ X ） 为直觉模糊逻辑的犹豫值。该值从( 6.），其中 C 是一种不断的犹豫，表现为 C 一世 （5） υ 一种 X = 1 - μ 一种 X - π 一种 X 那 （6） π 一种 X = C 1 - μ 一种 X ．

2.3.3。直觉模糊边缘检测

在本系统中，首先利用IFED算法在图像上确定辣椒的方向。由Chaira和Ray提出了Atanassov的直觉模糊集理论用于边缘检测[ 15那 16］．IFED算法是基于直觉模糊发散计算的。直觉模糊发散度计算是直觉模糊集中犹豫值的概率计算。定义为的集合中各分量的概率值 P. = P. 1 那 P. 2 那 ...... 那 P. N 载于[ 17] （7） H P. 1 那 P. 2 那 ...... 那 P. N = - ∑ 一世 = 1 N P. 一世 日志 2 ⁡ P. 一世 ．

定义的两个集合中每个组件的成员关系值 P. = P. 1 那 P. 2 那 ...... 那 P. N 和 问： = 问： 1 那 问： 2 那 ...... 那 问： N 载于[ 17] (8） D. P. 那 问： = ∑ 一世 = 1 N P. 一世 日志 2 ⁡ P. 一世 问： 一世 ．

SZMIDT和KACPRZYK定义了两组之间的成员数值计算，作为本研究中的两个图像的像素，通过使用所示的汉明和欧几里德距离计算方法（ 9.） 和 （ 10),分别 18]： （9) E. IFS 一种 那 B. = ∑ 一世 = 1 N μ 一种 X 一世 - μ B. X 一世 2 + υ 一种 X 一世 - υ B. X 一世 2 + π 一种 X 一世 - π B. X 一世 2 那 （10） H IFS 一种 那 B. = ∑ 一世 = 1 N μ 一种 X 一世 - μ B. X 一世 + υ 一种 X 一世 - υ B. X 一世 + π 一种 X 一世 - π B. X 一世 ．

根据Montes和他的同事，指数等价 一种 = X 1 那 X 2 那 ...... 那 X N 模糊逻辑集，由[ 19] (11） 机上娱乐系统 一种 = ∑ 一世 = 1 N μ 一种 X 一世 E. 1 - μ 一种 X 一世 ．

Chira和Ray认为，直观模糊发散计算可以通过两幅图之间的距离计算得到[ 15那 16］．因此,如果 一种 和 B. 是两幅图像，根据直观模糊熵(IFE)的值在 一种 和 B. 图片 一种 → B. 从( 12)，使用( 5.） 和 （ 11）： （12） D. 1 一种 那 B. = ∑ 一世 ∑ j 1 - 1 - μ 一种 一种 一世 j E. μ 一种 一种 一世 j - μ B. B. 一世 j - μ 一种 一种 一世 j E. μ B. B. 一世 j - μ 一种 一种 一世 j ．

同理，根据IFE之间的散度值 B. 和 一种 图片 B. → 一种 是获得 （13） D. 1 B. 那 一种 = ∑ 一世 ∑ j 1 - 1 - μ B. B. 一世 j E. μ B. 一种 一世 j - μ 一种 B. 一世 j - μ B. B. 一世 j E. μ 一种 B. 一世 j - μ B. 一种 一世 j ．

根据IFE，得到总的散度值为 （14） D. 1 一种 那 B. + D. 1 B. 那 一种 = ∑ 一世 ∑ j 2 - X - y 那 X = 1 - μ 一种 一种 一世 j + μ B. B. 一世 j E. μ 一种 一种 一世 j - μ B. B. 一世 j 那 y = 1 - μ B. B. 一世 j + μ 一种 一种 一世 j E. μ B. B. 一世 j - μ 一种 一种 一世 j ．

通过计算直觉模糊逻辑理论中的犹豫值，得到总发散值 （15） D. 2 一种 那 B. + D. 2 B. 那 一种 = ∑ 一世 ∑ j 2 - m - N 那 m = 1 - μ 一种 一种 一世 j - μ B. B. 一世 j + π B. B. 一世 j - π 一种 一种 一世 j E. μ 一种 一种 一世 j - μ B. B. 一世 j - π B. B. 一世 j - π 一种 一种 一世 j 那 N = 1 - π B. B. 一世 j - π 一种 一种 一世 j + μ 一种 一种 一世 j - μ B. B. 一世 j E. π B. B. 一世 j - π B. 一种 一世 j - μ 一种 一种 一世 j - μ B. B. 一世 j ．

直观模糊发散(IFD)由 （16） IFD 一种 那 B. = D. 1 一种 那 B. + D. 1 B. 那 一种 + D. 2 一种 那 B. + D. 2 B. 那 一种 ．

IFD方程的表述在 （17） 一世 F D. 一种 那 B. = ∑ 一世 ∑ j 2 - X - y + 2 - m - N 那 X = 1 - μ 一种 一种 一世 j + μ B. B. 一世 j E. μ 一种 一种 一世 j - μ B. B. 一世 j 那 y = 1 - μ B. B. 一世 j + μ 一种 一种 一世 j E. μ B. B. 一世 j - μ 一种 一种 一世 j 那 m = 1 - μ 一种 一种 一世 j - μ B. B. 一世 j + π B. B. 一世 j - π 一种 一种 一世 j E. μ 一种 一种 一世 j - μ B. B. 一世 j - π B. B. 一世 j - π 一种 一种 一世 j 那 N = 1 - π B. B. 一世 j - π 一种 一种 一世 j + μ 一种 一种 一世 j - μ B. B. 一世 j E. π B. B. 一世 j - π B. 一种 一世 j - μ 一种 一种 一世 j - μ B. B. 一世 j ．

如果 一种 = { X 那 μ 一种 （ X ） 那 υ 一种 （ X ） ∣ X ∈ X } 直观模糊逻辑集是从图像和的像素值计算出来的吗 B. = { X 那 μ B. （ X ） 那 υ B. （ X ） ∣ X ∈ X } 直觉模糊逻辑集是用直觉模糊逻辑集作为模板，16个模糊提取集的 3. × 3. (16套提取的IFED ( 18))，为IFED算法[ 15］．模糊提取集是很重要的，因为它们决定了边缘的类型和方向。这些集合代表边缘例子" 一个,“ B，”和“ 0.“在边缘提取集中表示边缘示例的像素等效。“ 一种”和“ B.“数值完全是用试错法找到的。”然而，在文献调查中，可以看到，最合适的值被预测为 一种 = 0．3 和 B. = 0．8 [ 15]： （18） 0. B. 一种 0. B. 一种 0. B. 一种 一种 一种 一种 0. 0. 0. B. B. B. 一种 一种 B. 一种 B. 0. B. 0. 0. B. B. B. 0. 0. 0. 一种 一种 一种 一种 一种 一种 B. B. B. 0. 0. 0. 一种 B. 0. 一种 B. 0. 一种 B. 0. 0. 0. 0. 一种 一种 一种 B. B. B. 0. 一种 B. 0. 一种 B. 0. 一种 B. B. 一种 一种 0. B. 一种 0. 0. B. B. 一种 0. B. 一种 0. B. 一种 0. 一种 0. B. 一种 0. B. 一种 0. B. 0. 0. 0. B. B. B. 一种 一种 一种 B. B. B. 一种 一种 一种 0. 0. 0. B. 0. 一种 B. 0. 一种 B. 0. 一种 B. 0. 0. 一种 B. 0. 一种 一种 B. 0. 0. B. 0. B. 一种 B. 一种 一种 ．

IFD是对每一个进行测量的 （ 一世 那 j ） 图像中的像素位置。 一世 F D. （ 一世 那 j ） 的Max-Min关系得到 19)从模糊提取集和相同大小的图像图片 （19） 一世 F D. 一世 那 j = 马克斯 N ⁡ 最小值 R. ⁡ 一世 F D. 一种 一世 j 那 B. 一世 j ．

在 （ 19),价值 一世 F D. 一种 一世 j 那 B. 一世 j 介于模糊提取之间 B. 一世 j 以及他们的形象图片 一种 一世 j ． N 是模糊提取集的个数和 R. 模糊提取集的分量数是否为平方． 一世 F D. （ 一世 那 j ） 是对图像的完全像素位置进行处理后得到的。最后, 一世 F D. （ 一世 那 j ） 在与原始图像大小相同的情况下，得到了各种形式的矩阵。该IFD矩阵图像是通过阈值化和细化边缘得到的。这些阈值和细化值是通过试验和错误的方法建立的。

 2.3.4。大津法

由Nobuyuki OTSU提出的OTSU方法是通过图像的数值计算自动阈值的方法。在该方法中，假设图像由两种不同的颜色类组成，作为后平面和正面的图像。计算有区分这两个类的最合适的阈值以最小化方差。OTSU方法是在直方图上计算关于方差计算的阈值[ 20.］．

方差是对一系列数字的分布进行算术平均分析的一种度量。在方差较大的情况下，表明在一系列数字中的值是分散的。在方差较低的情况下，表明一系列数字的值不是分散的[ 20.］．从中获得一系列数量的方差值 （20） σ 2 = ∑ 一世 = 1 N X 一世 - X - 一世 2 公关 ⁡ X 一世 那 在哪里 X 一世 表示期望值， 公关 ⁡ X 一世 表示期望值的概率值，和 X - 表示加权平均值。在Otsu法中，阈值由( 21)． ω 一世 代表体重等级(一级和二级)和 T. 表示阈值 （21） σ ω 2 T. = ω 1 T. σ 1 2 T. + ω 2 T. σ 2 2 T. ．

大津表明，类间方差的最小值和类间方差的最大值是相同的。 μ 一世 代表班级平均水平 ω 1 表示的类概率 （22） σ B. 2 T. = σ 2 - σ ω 2 T. = ω 1 T. ω 2 T. μ 1 T. μ 2 T. 2 那 在哪里 ω 1 T. 作为类别概率和 T. 由于阈值是由中的直方图得到的 （23） ω 1 T. = ∑ 0. T. P. 一世 ． μ 一世 随着班级的平均值获得 （24） μ 一世 T. = ∑ 0. T. P. 一世 χ 一世 那 在哪里 χ 一世 在( 24)为直方图值的中心值。同样的, ω 2 T. 值大于 T. 直方图上的阈值。

在开发的系统中，采用Otsu方法对混合直觉模糊逻辑边缘检测算法进行自动阈值处理。

 2.3.5。基于cuda的混合直觉模糊边缘检测算法的实现

基于cuda的HIFED算法分为3个内核，用于实现基于gpu的应用。第一个内核用于查找大津阈值。第二个内核是用来处理IFD应用程序的所有像素图像。第三核用于基于大津阈值的图像去模糊。算法中的第一个核 1算法中的第二核和第三核 2所示。所有的内核都在CUDA显卡的全局内存中使用。HIFED算法流程图如图所示 3.[ 10］．

<bold>算法1:</bold>第一个核计算大津阈值的代码块。

......

size_t大小= 256 * sizeof(浮动);

cudamalloc（（void **）＆d_pi，尺寸）;

cudaMalloc ((void * *) &D_Delta、大小);

cudamems（g_delta，0，尺寸）;

cudamemcpy（d_pi，pi，size , cudaMemcpyHostToDevice);

int b = 16;

dim3 blockSize (b, b);

dim3网格(1,1);

CalcOtsuThresholdingValue < < <网格,blockSize > > > (D_Pi D_Delta,金额);

cudamemcpy（h_delta，d_delta，size，cudamemcpydevicetohost）;

OtsuThresholdingValue = Max (H_Delta);

......

<bold>算法2:</bold>使用Otsu阈值实现第二、第三核HIFED代码块。

⋯

size_t大小=高*宽* sizeof(浮动);

Cudamalloc（（void **）＆d_orjimage 、大小);

cudaMalloc((void **) &D_EdgedImage, size);

(D_OrjImage, H_OrjImage, size, cudaMemcpyHostToDevice);

cudaMemset (D_EdgedImage 1大小);

b = 1;

dim3 blockSize (b, b);

dim3网格(高度/ BS,宽度/ BS);

Intfuzzification <<< Grid，BlockSize >>>（d_orjimage，d_edgedimage，高度，宽度）;

Intdefuzzification <<< Grid，BlockSize >>>（D_EDGedimage，宽度，高度，Otthresholdvalue）;

⋯

HIFED算法流程图。

 2.3.6。人工神经网络

神经网络被用来直接替代多变量回归、自相关、线性回归和三角函数等统计分析和技术[ 21］．神经网络具有卓越的开发复杂或不精确数据的常见解决方案的能力，可以用于提取模式并确定看起来非常复杂的趋势，以通过人类或任何计算机技术注意到。具有培训的神经网络可能被视为在提供分析的知识组中的“专家”。该专家可用于根据新的重要情况来提供预测，并为“如果是何时何地提供答案。作为通过使用神经网络分析数据流，可以找到没有以前清除非激光的显着预测模式。因此，神经网络可以充当专家。特定网络可以由三个重要组成部分定义：传输函数，网络架构和学习规则[ 22］．定义这些组件非常重要，以找到问题的有效解决方案。神经网络包含一类综合的不同架构。文献中的一个常用的人工神经网络架构是用于分类问题的文献中是多层的感知（MLP），它在模式分类问题中非常有效[ 23那 24］．

由于格林伯格和同事指出，4-50％的人工神经网络训练过程数据应分开培训，其余的用于测试过程，44％的研究模式被分离用于培训，其余用于测试过程[ 25］．

在这项研究中，ANN（MLP）的架构用于估计红辣椒Destemming机器的位置。所有数据都包括不同118个样本，其分为两个数据集，例如培训（所有数据的52个样本）和测试（所有数据的66个样本）。在本研究中，开发的软件用于神经网络分析，其具有三层网络，其中一个输入层（3200神经元），一个隐藏层（70神经元）和一个输出层（2个神经元）。设计的人工神经网络如图所示 4.．

开发了ANN的网络图。

在人工神经网络的模型中，如果输入值被定义为 X P. = X P. 那 1 那 ...... 那 X P. 那 N ，输出值定义为 O. P. = O. P. 那 1 那 ...... 那 O. P. 那 K. ，期望值定义为 D. P. = D. P. 那 1 那 ...... 那 D. P. 那 K. ，误差值是从 (25） L. P. 那 j = O. P. 那 j - D. P. 那 j ．

当应用计算的误差值时，可以从每个输出的总误差的平方 （26) ∑ P. = 1 P. ∑ j = 1 K. L. P. 那 j 2 ．

定义为输入向量的人工神经网络模型的输入值 X P. = X P. 那 1 那 ...... 那 X P. 那 N 是从 （27） X j 1 = S. 净 j 1 = S. ∑ 一世 W. j 那 一世 1，0 X 一世 ．

价值 O. P. = O. P. 那 1 那 ...... 那 O. P. 那 K. 在输出层中得到 （28） O. K. = S. 净 K. 2 = S. ∑ j W. K. 那 j 2，1 X j 1 ．

重复计算产值，直至误差总平方和可忽略水平，从( 26)[ 26］．

 3.实验结果

使用基于GPU和cpu的软件对所开发的系统进行测试，使用CUDA C、c++和c#编程语言，如图所示 5.．利用该软件对66种不同花色的辣椒进行了测试。在测试过程中分析了Otsu算法、人工神经网络和HIFED算法的性能。

系统界面。

在基于cpu和基于gpu的应用程序上测试不同的模式，以分析所开发系统的性能。基于cpu和基于gpu的应用程序的性能是通过某些模式的计算时间来分析的。

3．1.实验一:开发系统对辣椒倒过来的反应

图中从相机上拍摄的图像经过处理后得到的图像 6(一)基于cpu的应用程序如图所示 6 (b)基于gpu的应用如图所示 6 (c)．在应用ANN的输入之前，必须提取对象并从边缘图像调整提取的提取图像。在基于CPU的应用中，提取和调整大小的图像在图中呈现 6 (d)和 6 (f)．类似地，在基于GPU的应用中，提取的对象图像和调整大小的图像如图所示 6 (e)和 6 (g)．

实验1从系统中获得图像:(a)捕获的图像，(b)基于cpu的应用程序输出，(c)基于gpu的应用程序输出，(d)基于cpu的应用程序获得的对象，(e)基于gpu的应用程序获得的对象，(f)调整大小的图像为 40 × 80 为基于cpu的应用中ANN的输入，(g)调整图像为 40 × 80 用于在基于gpu的应用程序中输入ANN ( C 一世 = 0.05 )．

分析表中胡椒模式的数据 1，基于CPU的应用程序的HIFED算法持续6742毫秒，几乎7秒，基于GPU的应用程序持续几乎是0.017秒的近17秒。该算法与CUDA技术加速了383次。基于CPU的应用程序的OTSU算法持续0.55毫秒，基于GPU的应用程序持续几乎0.26毫秒。该算法与CUDA技术加速了两次。来自每个应用程序上模式的数值的阈值是133.基于CPU的应用程序的ANN算法持续75毫秒，基于GPU的应用程序持续近76毫秒。基于CPU的应用程序的响应持续时间几乎是6818毫秒，可能是基于GPU的应用的响应持续时间为0.09秒的93毫秒。该系统与CUDA技术加速了72次。

在实验1处理过程中收集系统相位数据。

系统相的值 CPU GPU.
OTSU方法的处理时间（MS） 0.558 0.264
阈值的值 133 133
HIFED处理时间(ms) 6742.528 17.587
安过程时间 75 76
总反应时间(ms) 6818.085 93.852.
胡椒的方向 向下 向下
OTSU方法比例（CPU / GPU） 2.10
HIFED比例（CPU / GPU） 383.37
系统比例的响应（CPU / GPU） 72.64

从表中可以清楚地看到 1基于cpu的应用程序在7秒内处理一帧，而基于gpu的应用程序在1秒内处理11帧。基于gpu的应用适合于实时应用。这个过程的持续时间会导致成功的结果。

 ３．２．实验2:系统对辣椒上涌的反应

对图中相机拍摄的图像进行处理后得到的图像 7(一)基于cpu的应用程序如图所示 7 (b)基于gpu的应用程序如图所示 7 (c)．从基于cpu的应用程序中提取并调整图像大小用于应用ANN输入如图所示 7 (d)和 7 (f)．同样，基于gpu提取的图像也作为ANN的输入，如图所示 7 (e)和 7 (g)．

实验2从系统中获得图像:(a)捕获的图像，(b)基于cpu的应用程序输出，(c)基于gpu的应用程序输出，(d)基于cpu的应用程序获得的对象，(e)基于gpu的应用程序获得的对象，(f)调整大小的图像为 40 × 80 为基于cpu的应用中ANN的输入，(g)调整图像为 40 × 80 用于在基于gpu的应用程序中输入ANN ( C 一世 = 0.05 )．

通过分析表中胡椒分布的数据 2HIFED算法在基于cpu的应用程序上持续6627毫秒，几乎是7秒;在基于gpu的应用程序上持续17毫秒，几乎是0.017秒。该算法采用CUDA技术加速376倍。基于cpu的应用程序上的Otsu算法持续0.55毫秒，基于gpu的应用程序持续近0.25毫秒。通过CUDA技术，该算法的速度提高了近两倍。每个应用程序上模式的数值的阈值是123。神经网络算法在cpu应用上耗时79毫秒，在gpu应用上耗时近79毫秒。基于cpu的应用程序的响应时间几乎是6707毫秒，很可能是7秒，而基于gpu的应用程序的响应时间几乎是96毫秒，很可能是0.09秒。该系统使用CUDA技术加速了69倍。

在实验2的处理过程中收集了系统的相位数据。

系统相的值 CPU GPU.
OTSU方法的处理时间（MS） 0.556 0.258
阈值的值 123 123
HIFED处理时间(ms) 6627.888 17.587
安过程时间 79 79
总反应时间(ms) 6707.444. 96.846
胡椒的方向 向上 向上
OTSU方法比例（CPU / GPU） 2.149
HIFED比例（CPU / GPU） 376.842
系统比例的响应（CPU / GPU） 69.258

由于系统中使用的摄像头拍摄的图像是50帧每秒，在基于cpu的应用程序中，1帧的处理时间是7秒，因此不可能应用于实时应用。然而，在基于gpu的应用程序上，它可以应用于实时应用，因为11帧在一秒内处理。这个过程的持续时间会导致成功的结果。

 ３．３．神经网络在cpu系统上的准确率

基于cpu应用的人工神经网络得到的测试模式结果分布如表所示 3.．该方法获得了91.30%的正确结果。在文献调查中，Lee和同事以及Do和同事表示，人工神经网络获得80%的正确结果是成功的结果[ 27那 28］．

基于cpu的应用程序上的模式结果的数据。

正确输出数 63
错误输出数 3.
未定义输入数 3.
ANN准确率(%) 91.30
3．4．基于gpu系统的人工神经网络的准确率

基于gpu应用的人工神经网络得到的测试模式结果分布如表所示 4.．从模式中获得了85.29%的正确结果。

基于gpu的应用程序上模式结果的数据。

正确输出数 58
错误输出数 2
未定义输入数 8.
ANN准确率(%) 85.29
3.5。CUDA技术对系统的贡献

在开发的系统中，它的目标是通过开发基于cpu和基于gpu的应用程序来获得系统的最大性能。如表所示 5.所开发的系统最多比Otsu算法快3倍，最多比混合直觉模糊逻辑检测算法快442倍，最多比系统总响应时间快79倍。在文献调查中，可以看到这些加速率是非常成功的。

用CUDA技术对图案的结果进行数据分析。

Otsu算法的最高速度 3.12
OTSU算法的最低速度 1.61
HIFED算法的最高速度 442.20
混合HIFED算法的最低速度 364.71
来自ANN算法的最高速度 1.74
最低的速度从ANN算法 ０．７５
最高速度从一般的系统 79.99
最低速度从一般的系统 54.07
4.结论

由于辣椒提取过程仍然被人力电力在本产品的例外进行，因此在处理持续时间和雇主成本的两侧生产者的必要性是最高的费用。随着计算机视觉系统通常在每个行业领域使用，旨在通过从照相机捕获的图像中定义胡椒的图案来确定胡椒的方向。在此目的中，Hifed算法用作图像处理算法。ANN用于处理图像中Pepper模式的分类。所有图像处理算法都是通过利用GPU技术提高系统性能的CUDA技术开发的。

边缘检测在通过使用IFED算法从摄像机捕获的图像中完成，该算法由主席和射线开发。由于在IF的过程中使用静态阈值，因此由于图像值导致不可接受的错误级别。Yalçin等。提出具有OTSU方法的HIFED算法，其自动阈值值在图像的数值上的数值用作消除问题的边缘提取算法。

人工神经网络用于胡椒的模式分类，用于胡椒的边缘提取。对于ANN模型，118个红辣椒模式中分离出52个进行训练，分离出66个进行测试。结果从HIFED被缩减为 40 × 80 分辨率和适用于ANN的条目，CPU和GPU的准确性分别获得91.30％和85.29％，这是一个非常高的结果。

使用CUDA支持的显卡NVIDIA GTX 480 GPU来利用所开发系统的性能。在系统的开发过程中，开发了两个应用程序，分别在基于cpu和基于gpu的平台上进行处理。通过使用GPU技术，所开发的系统最多比Otsu算法快3倍，最多比HIFED快442倍，最多比系统总响应时间快79倍。可以看出，这些加速速度是非常成功的。

 相互竞争的利益

两位作者宣称他们没有相互竞争的利益。

 Umbaugh 年代。 计算机视觉与图像处理 1998 美国纽约 普伦蒂斯霍尔 冈萨雷斯 R. C. 森林 r·E。 数字图像处理 2008年 3日 美国新泽西州 Pearson Prentice Hall. Sonka M。 Hlavac V。 博伊尔 R。 图像处理，分析和机器视觉 2014 4日 纳尔逊工程 Akbay. C。 博兹 我。 Yildiz Tiryaki G。 念花虫 年代。 arpaci. B . B。 土耳其Kahramanmaras和Gaziantep省的红辣椒生产结构和干燥方法 KSU自然科学杂志 2012年 15 2 1 10 Topuz 一种。 Dincer C。 Özdemir. k . S。 冯 H。 Kushad M。 不同干燥方式对红辣椒类胡萝卜素和辣椒素的影响。墨西哥胡椒) 食品化学 2011年 129 3. 860. 865 10.1016 / j.foodchem.2011.05.035 Topuz 一种。 奥兹德米尔 F。 影响 γ对晒干和脱水红辣椒类胡萝卜素的辐照和贮藏 农业与食品化学杂志 2003年 51 17 4972 4977 10.1021 / JF034177Z. 2 - s2.0 - 0042561982 克诺尔 r . J。 维克多 J。 胡椒de-stemming 专利号。美国2008/0289515 A1,2008 Herbon r·p·E。 绿色智利脱浆机的开发、设计、制造和测试 2016 http://www4.hcmut.edu.vn/~aduy/TuDongHoaTrongCN-K2009/Destemmer%20Presentation.pdf OpenCV 2016年, https://github.com/opencv/opencv/wiki Yalcin E. bad H。 Güneş. M。 基于cuda的混合直觉模糊边缘检测算法 IEEE模糊系统国际会议的诉讼程序（FUZZ-IEEE '15） 2015年8月 土耳其伊斯坦布尔 1 6. 10.1109 / FUZZ-IEEE.2015.7338008 NVIDIA GeForce GTX 480规格 2016年2月, http://www.geforce.com/hardware/desktop-gpus/geforce-gtx-480/specifications nvidia. CUDA C编程指南 2015 7 枝 l。 模糊集 信息和计算 1965 8. 3. 338 353 10.1016 / s0019 - 9958 (65) 90241 - x MR0219427 Atanassov k . T。 直觉模糊集 模糊套装和系统 1986 20. 1 87 96 10.1016 / s0165 - 0114 (86) 80034 - 3 MR852871 2-S2.0-0002740725 Chaira T。 射线 答:K。 一种利用直觉模糊集理论及其在边缘检测中的应用的新方法 应用软计算期刊 2008年 8. 2 919. 927. 10.1016 / j.asoc.2007.07.004 2 - s2.0 - 37249078774 Chaira T。 射线 答:K。 模糊发散分割 模式识别的字母 2003年 24 12 1837 1844 10.1016 / S0167-8655（03）00007-2 2 - s2.0 - 0038668787 香农 c, E。 交流的数学理论 贝尔系统技术期刊 1948 27 3. 379 656 Szmidt E. Kacprzyk J。 直觉模糊集的熵 模糊套装和系统 2001年 118 3. 467 477 10.1016 / s0165 - 0114 (98) 00402 - 3 2 - s2.0 - 0035283961 蒙特斯 年代。 Couso 我。 吉尔 P。 Bertoluzza C。 模糊集之间的散度度量 国际近似推理杂志 2002年 30. 2 91 105 10.1016 / s0888-613x（02）00063-4 ZBL1014.94004 2 - s2.0 - 0036605314 大津 N。 灰度直方图阈值选择方法 IEEE系统、人与控制论汇刊 1979 9. 1 62 66 10.1109 / tsmc.1979.4310076 2 - s2.0 - 0018306059 Enayatollahi 我。 Aghajani Bazzazi 一种。 Asadi. 一种。 神经网络与多元回归分析在露天矿岩石破碎预测中的比较 岩石力学与岩石工程 2014 47 2 799 807. 10.1007 / s00603 - 013 - 0415 - 6 2 - s2.0 - 84896716072 辛普森 p K。 人工神经系统:基础、范式、应用与实现 1990 美国纽约 Pergamon Press. Masood. 我。 哈桑 一种。 用于监测和诊断多变量过程漂移模式的协同神经网络识别器 软计算与模式识别国际会议录(SOCPAR '09) 2009年12月 马来西亚马六甲市 266 271 10.1109 / SoCPaR.2009.61 Yilmaz 我。 Kaynar O。 多元回归，ANN（RBF，MLP）和ANFIS模型，用于预测粘土土壤的膨胀潜力 专家系统与应用 2011年 38 5. 5958 5966 10.1016 / J.ESWA.2010.11.027 2 - s2.0 - 79151474442 格林伯格 年代。 古德兰 H。 罗特曼 s R。 用于航空图像自动识别的无监督神经网络分类器 以色列第19届电气和电子工程师大会论文集 1996年11月 耶路撒冷,以色列 IEEE 212 215 2-S2.0-0030395132 刘易斯 F. L. 你们şildirek 一种。 刘 K。 具有跟踪性能保证的多层神经网络机器人控制器 神经网络学报 1996 7. 2 388 399 10.1109/72.485674 2 - s2.0 - 0030108041 李 j·S。 金 美国K。 李 d S。 李 m . C。 公园 k . S。 一种用于自动解释F-18FDG脑PET致痫区的神经网络分类器 医学与生物学学会IEEE工程200年度国际会议的诉讼程序 1998年11月 香港 1408 1411 10.1109 / IEMBS.1998.747146 做 m . T。 哈布 j . M。 诺里斯 K. C. 用于识别蜘蛛的模式识别系统的测试 昆虫学研究通报 1999 89 3. 217 224 10.1017 / S0007485399000334