【全套设计】葡萄园小型开沟机的设计【CAD图纸】

体现在企业收益上，第梯次为 亿元，占第二梯次重顺序组列，在中国肉类工业拥有的资产总额中，第 梯次的山东河南四川辽宁内蒙古吉林江苏河北 黑龙江北京等省市区为亿元，占全国规模以上企业资 产总额的以上第二梯次的个地域提高了个百 分点。

上述数据说明，是屠宰加工具有社会投资吸引力，其生产规 模生产能力在继续扩大二是屠宰加工的产业集中度有了明显的提 升。

肉类工业形成明显的区域性发展梯次。

按规模权加工规模以上企 业个数年达到个，比年增长了。

其中，屠宰加工 企业个，比年增长了肉制品及副产品加工企业 个，比年增长了。

规模以上企业在肉类行业企业总数中所 占的比重从年的上升到年的，制品及副产品加工企业亿元，比年增长了倍。

发生这样的变化，有个重要原因，就是中国的屠宰加工企业在 最近的三年里，通过定点入市整顿和组合，由过去的万多家下降到 万家，减少了多家。

与此同时，屠宰及肉类倍。

其中，屠宰加工企业亿元，比 年增长了倍肉制品及副产品加工企业亿元，比 年增长了。

年屠宰及肉类加工企业利润总额达到亿元，比 年增长了倍。

其中，屠宰加工企业亿元，比年增长了 倍肉宰及肉类加工企业资产总值达到亿元，比 年增长了。

其中，屠宰加工企业亿元，比年增长 了倍肉制品及副产品加工企业亿元，比年增长了。

年屠宰及肉类加工企业销售总收入达到亿 元，比年增长了倍宰及肉类加工企业资产总值达到亿元，比 年增长了。

其中，屠宰加工企业亿元，比年增长 了倍肉制品及副产品加工企业亿元，比年增长了。

年屠宰及肉类加工企业销售总收入达到亿 元，比年增长了倍。

其中，屠宰加工企业亿元，比 年增长了倍肉制品及副产品加工企业亿元，比 年增长了。

年屠宰及肉类加工企业利润总额达到亿元，比 年增长了倍。

其中，屠宰加工企业亿元，比年增长了 倍肉制品及副产品加工企业亿元，比年增长了倍。

发生这样的变化，有个重要原因，就是中国的屠宰加工企业在 最近的三年里，通过定符存在倾斜和偏移时都会对字符识别产生很大的误差，所以本系统选用网格特征提取法，该方法受字符倾斜偏移影响较小，适应性较好。

网格法就是用组假想的网线对字符图像的区域进行划分。

字符图像被均匀分成若干区域，称之为“网格”。

在这里，网线是在垂直方向和水平方向均匀分布的。

分割完毕后，统计每个格子中白色像素点的个数作为特征向量。

在本系统中为了进步提高其适应性，以每个小格子中白色像素点个数与该字符中总的白色像素点个数的比值作为特征向量。

例如，对于数字，将其平均分成如下图所示的个网格，从左到右排列分别为网格网格网格，第二行接着上面的数字继续从左向右排列，依次类推。

然后统计第个网格中的白像素点个数，记为，。

接着统计总的白色像素点的个数，记为。

则其九个网格特征提取值为，其中，。

图原图像图划分成网格提取向量字符识别算法通过上述的特征提取方法得到能够表征显示结果。

四系统方案实现原理汽车牌照自动识别系统工作原理车辆牌照识别系统般可分为车辆图像获取车辆牌照子图像区域定位分割车牌照内字符切分字符识别四大部分在第部分主要通过摄像头与计算机的视频捕捉卡直接相连接来完成图像采集，可以实时在线监控图像，重点抓取到含有牌照的图像该部分功能可简单调用计算机视频捕捉卡厂商提供的各种软件开发工具即可实现。

由于车辆牌照自动识别系统前端的车辆位置检测图像捕捉部分都有了相应的软硬件刹良好的实现了，所以牌照自动识别系统的关键在于第二三四部分，而后续的几部分是串行化工作的，即没有前步正确快速的识别切分出相对较清晰的字符，其后的识别阶段根本就不能够进行，所以从这个意义上来讲，牌照子区域定位自动识别切分技术是整个系统的重中之重，它处理工作进行的好坏直接影响后续工作，对字符的拒识率和误识率以及识别速度的实时性有很重要的影响而从算法的相对难易程度上来说，字符具体的识别部分要大的多，牌照子区域内的字符的切分相对最为容易些。

本课题采用单片机作为核心处理器来完成识别过程的算法。

总体方案图像捕捉图像预处理牌照子图像定位去除牌照边框预处理后字符切分字符识别输出识别字符图系统框图图像预处理的必要性由于车牌图像是在室外自然背景下拍摄，其背景往往很复杂，可能包括自然场景中的人其他车辆树木建筑物等，拍摄图像时的光照条件也因拍摄时间地点天气等条件的不同而不同，因此，考虑到车辆牌照具有不因外部条件变化而变化的特征，即牌照区域与汽车背景在灰度分布上存在着明显的差异，而且车牌的底色和车牌照字的颜色也形成强烈对比，在相对小的范围内变化频繁，据这特征，可以对车牌进行二值化处理，提取边缘特征，定位出车牌。

图像的二值化处理必须保留车牌区域的信息，即二值化后车牌字符要与底色有明显的区别。

这里的图像的预处理阀值的选取至关重要，二值化后，车牌的背景大部分被去除，这样处理之后将大大有利于后续车牌区域的搜索定位。

图像采集及存储格式用摄像头对准车牌，按下视频采集卡上的复位键，图像便被存储在采集卡的空间。

存在为边界开始从上下开始向中间逐行进行扫描，当遇到白色像素点时，定为外框的上下边界。

第三步，接着向中间逐行进行扫描，当经过黑色像素点再次遇到白色像素点时，定为字符的上下边界。

这样就可以去除上下边框了。

第四步，以字符的上下边框为界，由开始向中间逐列进行扫描，同理，当经过黑色像素点再次到达白色像素点时，定为字符的左右边界。

以找到的左右边界为界就可以去除边框了。

经过去边框后，车牌图像在显示器上显示见图。

图去边框前图像图去上下边框图去左右边框此办法只适用于理想情况，实际中还需进行修正，如当行的白色像素点达到定数目才定为外框边界，而不只是简单地遇到白色像素就定为边界，以减少噪声干扰。

图像的梯度锐化由于实际扫描来的图像字符边缘会出现不清晰，有毛刺干扰等情况，进行字符分割等后续处理时会产生干扰，造成字符被错误分割，严重影响字符识别的正确率。

所以有时候要对图像进行锐化处理使模糊的图像变得清晰，同时还可以去除部分噪声。

图像锐化的方法很多，有微分法高通滤波法等。

我们在这里采用的锐化方法属于微分法的种。

定义如下设原始图像上的点为，定义在处的梯度矢量为设个判定阈值为，变化后的图像定义为通过公式可以看出梯度锐化可以使字符模糊的边缘变得清晰，并且可以消除部分噪声，使图像的边缘细化。

字符分割算法车牌在去边框之后，得到七个字符，但识别的时候只能根据每个字符的特征进行判断，所以还要对联在起的七个字符进行分割。

具体算法如下第步，利用上述逐行扫描法找到字符的上下边界，这样就得到了图像大致的高度范围。

第二步，在这个高度范围之内自左向右逐列进行扫描，遇到第个白色像素点认为是字符分割的起始位置，然后继续扫描，直至遇到有列中没有白色像素，则认为这个字符分割结束，然后继续扫描，按照上面的方法直扫描直至字符的最右边界。

这样就得到了每个字符比较精确的宽度范围。

当然，对于中的图像在电脑显示器上被分割成三个字符。

因此，在对汉字进行分割时必须要进行些修整。

在寻找第个字符的右边界时，只有当它与左边界之差大于值时，才认为其是第个字符的右边界。

字符的归化每次采集来的图像中，字符大小都有差异。

在提取字符特征向量时，即使是同个字符由于大小差异，每次的提取的特征值也有很大差别，没有办法利用其与现成的模扳匹配来识别字符。

因此，必须把字符归化为统的大小，以提高识别的准确率。

具体算法如下先得到原来字符的高度，并与系统要求的高度作比较，得出要变换的高度系数由分割后每个字符的宽度与系统要求的宽度作比较，得出每个字符的要变换的宽度系数。

在得到这些系数之后，把原图像中的点按照插值的方法映射到新图像中去。

般的插值方法容易造成比较大的误差，本系统采用改进的最近临点插值法。

所谓最近临点插值法就是选择插值时，当计算得出的坐标为非整数时，不是简单的取其整数部分，而是取坐标值最接近的整数，即取距离最近的那个点的坐标。

例如求得的坐标点为按照般的插值方法，我们取坐标为，的像素点，但这么做会造成比较大的误差。

采用最近临点插值法，我们取像素点的坐标为显然，这样减小了误差，提高的精确度。

经过归化并重新排列后的字符在显示器上显示为图原字符图像图分割归化后图像字符识别是对车牌上的汉字字母数字进行确认的过程，是整个系统的核心部分。

与其他识别系统样，车牌字符识别系统的关键部分是字符特征的提取和模式匹配。

字符特征提取字符特征提取的关键就是如何选择既容易提取又能为识别系统提供尽可能高的模式鉴别能力，同时还要尽量少的特征维数的特征向量。

特征的提取和选择对识别系统至关重要，它基本上决定了识别系统的性能和识别精度。

在本系统中对采集来的车牌图像经过二值化去边框字符分割大小归化等系列变换，原来大小不，分布不规律的字符变成了个个大小相同，排列整齐的字符。

下面就要从这些经过处理的字符中提取最能体现字符特征的符的特征向量，建立字符的模板库，接着就要通过定的方法来对提取的特征值进行判别以识别出字符。

字符识别有很多算法，目前最具代表性的有模板匹配法和神经网络法。

神经网络法神经网络般至少有三个层个输入层个输出层个或多个隐层。

其网络示意图见图输入节点输出节点隐节点图神经网络示意图算法由两部分组成信息的正向传递和误差的反向传输。

在正向传输中，输入信息从输入经过隐含层逐层计算传向输出层，每层神经元的状态只影响下层神经元的状态。

如果在输出层没有得到期望的输出，则计算输出层的误差变化值，然后转向反向传播，通过网络将误差信号沿原来的连接通路反转回来修改各层神经元的权值直到达到期望值。

神经网络的实现分为两个阶段学习训练阶段和识别阶段，在学习阶段输入要学习的样本。

按照网络初始设定的权值阈值以及传输函数进行计算，得出每层神经元的输出。

这是从底层向上进行的通过期望输出与输出层的输出之间的误差来决定是否对权值阈值进行修改，这个修改是从高层向下进行的两个过程反复进行，直到网络收敛为止，此为学习阶段。

权值的学习就是不断地调整个神经元的连接强度，使其能在最小二乘的意义上逼近所对应的期望输出。

网络法是种智能判别方法，在使用网络的进行识别之前必须利用大量的样本来训练网络，以得到以文件形式保存的权值，般用于计算机操作。

而本系统只是采用单片机作为核心部件，无论是速度还是存储空间都远远小于计算机，网络法不适合本系统。

模板匹配法车牌字符字符集小，车牌上出现的汉字只包括全国各省市直辖市和部队武警公安的简称，再加上个英文字母以及个数字，字符类别不超过个。

又由于硬件存储空间和运行速度的限制，系统采用相对较简单的模板匹配法。

模板匹配是图像识别方法中最具代表性的基本方法之，它是将从待识别的图像或图像区域中提取的若干特征向量与模板相应的特征量逐个进行比较，计算它们之间规格化的互相关量，其中征向量。

特征向量的提取方法多种多样，有逐像素特征提取法，骨架特征提取法，垂直方向数据统计特征提取法，网格特征提取法，弧度梯度特征提取法等。

这里简单介绍几种特