液晶字符识别的CNN和SVM组合分类器

刘 昶，徐超远，张 鑫，薛 磊

液晶字符识别的CNN和SVM组合分类器

刘 昶，徐超远，张 鑫，薛 磊

(沈阳理工大学信息科学与工程学院，辽宁 沈阳 110159)

针对仪表液晶显示字符识别问题，提出一种结合了卷积神经网络(CNN)和支持向量机(SVM)的字符识别方法。分别采用具有并联结构的CNN模型和基于梯度方向直方图(HOG)特征的SVM方法构建基本分类器，当2个分类器的结果存在冲突时，利用CNN的softmax输出最大值判决最终结果，当其大于设定阈值时采用CNN分类器的结果，反之采用SVM分类器的结果。建立字符图像的误差模型并利用仿真方法构建了数据集用于分类器的训练和测试，给出一种基于投票原理的最优阈值的估计算法。在MNIST和仿真数据集上的测试实验结果表明，最优阈值估计算法的结果可靠，组合分类器的准确率较2种单一分类器均有提高，在实际测试系统上其准确率达到99.81%，验证了该组合分类器方法对液晶字符识别问题的有效性；在CIFAR-10数据集上的实验结果验证了该方法也可用于其他分类问题。

计算机视觉；机器学习；液晶字符识别；支持向量机；卷积神经网络

仪表字符识别是仪表示值判读、自动巡检等应用中的关键问题，由于仪表字符显示大多具有固定位置和字体，其较手写字符识别容易，但由于仪表字符多表达关键数据，对字符识别正确率的要求更高。目前数显仪表的显示方式主要有数码管和液晶2种显示形式，由于液晶显示器较数码管显示器前景、背景亮度差小，在采集液晶面板图像时，显示字符更容易受到环境照明、面板污染、面板平整度和刮痕等因素的影响，使字符成像质量变差，对字符识别造成困难。

目前常用的仪表字符识别方法可分为基于图像处理和基于机器学习2类。早期的基于图像处理的方法包括：模板匹配[1]、字符结构特征方法[2]等，其原理简单清晰，但对图像噪声敏感，鲁棒性较差。而基于机器学习的方法包括：-近邻的方法[3]、神经网络[4]、支持向量机(support vector machine，SVM)、卷积神经网络(convolution neural network，CNN)等，其中SVM和CNN方法效果较好，逐渐成为主流。SVM是一种有监督学习模型，一般需要人工选择特征，文献[5]通过对字符图像水平和垂直2个方向的投影曲线分别进行小波分解，得到投影曲线的近似表示并从中提取特征参数并对其进行训练；文献[6]提取了图像的梯度方向直方图(histogram of oriented gradients，HOG)特征向量作为输入进行模型训练；文献[7]利用K-means聚类算法做无监督特征学习，在无标签的情况下自动学习抽取特征，再进行模型训练；文献[8]提出了一种具有辨别能力的特征池化方法，提取每个特征图信息量最大的子区域作为最终的特征用来训练模型。CNN也是一种有监督的学习模型，其优点是避免了人工选择特征的过程；文献[9]将CNN网络模型LeNet用于手写字符识别，在公开的MNIST数据集上取得满意的结果，对促进CNN在图像识别问题中的广泛应用做出重要贡献，并在此基础上发展出许多应用于字符识别问题的其他结构的CNN网络或深度网络[10-12]模型。为提高识别率，有学者提出采用集成学习的方法，典型的如决策树和随机森林方法[2]、朴素贝叶斯方法[13]，Bagging[14]和Boosting[15]方法等，由多个子分类器构造性能更好的组合分类器，取得了比单一分类器更好的结果。

本文针对仪表液晶显示字符识别问题，通过建立字符图像的误差模型由字符模板生成仿真数据集，分别采用一种具有并联结构的CNN模型和基于HOG特征的SVM模型训练基本分类器进行字符识别，对于2种基本分类器输出结果存在冲突的情况，提出一种根据CNN输出的softmax值进行判决的方法，从而构造出一种组合分类器，对其工作原理进行了讨论，给出最优阈值的选择算法，并进行实验研究。

1 机器学习方法

1.1 液晶字符图像的误差模型

仪表字符多数为数字字符，一般情况下液晶字符在液晶屏上的显示位置和字体都是固定的，在获取液晶显示器的图像并提取液晶屏边缘后，每个字符图像可通过与液晶屏边缘的相对位置定位获得，该过程可通过图像处理的方法实现，每个字符图像表达的内容可能是0到9或空格，共11种类别。

在利用机器学习方法进行字符分类器训练和测试时，都需要一个合适的数据集。数据集中的每幅图像均通过对真实仪表采集再标注得到，数据集构造的工作量非常大。为此，本文采用在字符标准模板上依次叠加以下几种类型误差的方式，自动生成字符图像仿真数据集：

(3) 图像获取误差。通过高斯噪声模拟图像获取过程中的热噪声，其生成式为

(5) 光斑。利用二维高斯函数生成近似受光源、划痕、液晶屏表面不平整等因素影响而产生的光斑，即

以上误差模型中的C，C，C，C，，C，C均为事先设定的常数。图1为一组真实的液晶字符图像，以及在标准字符模板的基础上叠加上述误差后的字符图像样例，可见生成图像的辨认难度大于真实图像，利用该方法构造数据集可节省大量构造成本。

图1 真实样本与生成样本对比 ((a)真实图像；(b)生成图像)

1.2 SVM基本分类器

SVM是一种针对二分类问题的学习模型，对于多分类问题，大多通过组合多个二分类器处理，常用方法有一对一(one-versus-one，OVO)和一对多(one-versus-rest，OVR)、二叉树和决策导向无环图等。其中OVO方法对任意2类样本都训练一个分类器，若样本类别为，则需要(-1)/2个SVM子分类器，通过其可确定分类结果；OVR方法将其中一类作为正类，其余作为负类，仅需个子分类器，但结果可能产生冲突；二叉树和决策导向无环图都是通过构造决策树判别最终结果。从现有报道看，OVO方法优于其他方法[16]，只是需要更多的子分类器。本文利用字符图像的HOG特征训练SVM分类器，由于该问题是一个共11类的多分类问题，采用OVO方法，需训练55个SVM子分类器。

1.3 CNN基本分类器

目前有许多CNN模型在图像分类问题中获得成功应用，其中LeNet类型网络在字符识别问题中有出色表现[9]，有研究表明并行结构的网络有利于提高网络性能[11,17]，因此本文选择了具有如图2所示的由2个LeNet网络并联的CNN结构用于字符识别。字符图像被分别送入LeNet-A和LeNet-B 2个网络进行特征提取，汇聚到全连接层后再由softmax层输出。

图2 用于字符识别的并联结构CNN模型

图2中左右2列的LeNet-A和LeNet-B的基本结构相同，只是在卷积核的数量和池化过程上有差别。网络的激活函数使用ReLU；训练中的损失函数采用交叉熵；优化方法采用Adam。

2 组合分类器

2.1 基本原理

对于以softmax作为输出层的CNN分类器，softmax输出的最大值的含义是表示被测样本为对应类别的概率，该值也可以作为衡量结果置信度的一个指标。

记CNN分类器针对全部测试样本的平均正确率为PA，图3显示了PL(T)和PG(T)随T变化的情况，图中只显示了阈值高于0.9的情况，因为实际情况下样本的softmax最大值大多接近1，因此将坐标轴刻度进行了对数化处理。

由图3可见，随着的增大，P()和P()均呈出递增的趋势，而由于P(1)=P(0)=P，因此在多数情况下有

这说明可通过设置一个合适的阈值，将被测样本分成2部分，对于softmax最大值大于的样本，其CNN分类结果较另一部分具有更高的置信度。

本文CNN与SVM组合分类器的思想正是基于此提出的，将已训练好的CNN与SVM分类器作为2个基本分类器，通过合理设定阈值，首先应用CNN分类器对被测样本x进行判别，若s>则以该结果作为最终结果；反之利用SVM分类器对x进行判别，将其结果作为最终结果。考虑本文的CNN和SVM 2种分类器在工作原理上存在较大差别，具有相对的独立性。若存在，当s>时，使用CNN分类器样本的识别正确率高于SVM；在s≤时，SVM分类器样本的识别正确率高于CNN，则组合分类器的识别正确率均高于单一分类器。

2.2 最优分割阈值的选取

对于组合分类器，分割阈值是影响分类器最终性能的重要因素，但最优阈值的选择不易通过理论分析获得，本文采用通过验证集评估的方法对最优阈值进行估计。首先在数据集中选出有别于训练样本的部分样本作为验证集，在验证集上确定组合算法正确率P与阈值的函数关系P()，再选取

作为组合分类器的分割阈值。

由于验证集中样本数量有限，2个基本分类器结果存在差异的样本数量也有限，因此()关于的函数曲线表现为由有限的若干横线构成，分割横线的值是前述样本的softmax最大值。此外()还具有以下性质：当≤0时，()是由CNN基本分类器得到的结果；当≥1时，()是由SVM基本分类器得到的结果。下面讨论()的计算方法。

then构建新节点q

end if；

记队列长度为+1，根据节点的值将由小到大排序，仍记第个节点为q，(=0,1,···,)；

Forqin，=1,2,···,，

then for=0,1,···,-1，q·++；

else for=,+1,···,，q·++；

endif。

完成以上过程后，()在[0,1]区间上的值为

2.3 性能再提升

对于有监督学习的分类算法，训练样本对分类器的性能至关重要，一般情况下训练样本越多，分类器性能越好。上述组合分类算法中，数据集中的部分样本作为训练集用于训练基本分类器，另一部分作为验证集仅用于求取分割阈值。为进一步提升组合分类器性能，将验证集并入训练集重新对2个基本分类器进行训练，由此构造新的组合分类器，并假设按本文方法得到的阈值对新的组合分类器仍然有效。

3 实验研究

3.1 MNIST数据集上的实验

在公开的手写体字符数据集MNIST上测试本文算法的有效性，该数据集包含0~9共10类字符，需对CNN结构略做改动，将softmax层节点数改为10。将数据集中的30 000个样本作为训练集，另外30 000个样本作为验证集，10 000个样本作为测试集。在测试集上，训练完成的CNN和SVM (这里采用高斯核) 2个分类器共有76个样本的分类结果不同，按本文方法分别在验证集和测试集上计算()，所得曲线如图4所示。

图4 MNIST数据集上的实验结果

在验证集上得到的最优阈值为0.999 890，采用该阈值的组合分类器在测试集上能对56个样本正确分类，若取其他阈值，最好的情况能对57个样本正确分类，仅有1个样本数量的提升，说明本文提取分割阈值的方法是有效的。图4曲线最左侧和最右侧的值分别为CNN分类器和SVM分类器正确判别数量，而在曲线中很宽的范围内，同时高于左右两侧值的部分为组合分类器正确判别的数量，说明当阈值在一个很宽的范围内取值时，组合分类器都能取得较单一基本分类器更好的结果，只是不同的取值，性能提高的程度有所差别。

表1列出了基本分类器和组合分类器在测试集上取得的正确率值，可见在相同训练样本的情况下，本文的组合分类器性能较单一分类器均有提升；利用2.3节的方法，将训练集和验证集合并，共60 000个样本对基本分类器重新进行训练，沿用0.999 890作为分割阈值，组合分类器正确率得到进一步提高，说明采用更多的训练样本提高基本分类器的正确率对提高组合分类器的正确率有贡献，也说明组合分类器对于手写字符识别问题是有效的。

表1 MNIST数据集上各分类器正确率(%)

3.2 液晶字符数据集上的实验

利用1.1节的方法构造仿真图像作为液晶字符数据集，通过重复实验对本文算法进行性能测试。该数据集包括0~9和空格共11类字符，每种字符选择300个样本，共3 300个样本作为训练集；另外每种字符选择500个样本，共5 500个样本作为验证集，每种字符选择1 500个样本，共16 500个样本作为测试集。

实验所得的()曲线如图5所示。在验证集上得到的最优阈值为0.906 870；在测试集上，训练完成的CNN和SVM (这里采用线性核) 2个分类器共有298个样本的分类结果不同，采用该阈值的组合分类器能对277个样本正确分类；若取其他阈值，可对278个样本正确分类，仅有1个样本的提升；图5也给出了将训练集和验证集混合，利用共8 800个样本训练基本分类器的情况，此时2个基本分类器在测试集上共有196个样本的结果不一致，若仍采用0.906 870作为分割阈值，新的组合分类器能对185个样本进行正确分类，而采用其他阈值，最好的情况是能对187个样本正确分类，仅有2个样本数量的提升，再次验证了最优阈值提取方法的有效性。

图5 液晶字符数据集上的实验结果

表2为几种分类器在测试集上的正确率，可见并联结构的CNN分类器优于2个独立的LeNet分类器；组合分类器与2个基本分类器的性能对比结果与3.1节在MNIST数据集上的实验结果一致，验证了组合分类器对液晶字符识别的有效性。

表2 LCD字符数据集上各分类器正确率(%)

3.3 分割阈值稳定性实验

当基本分类器训练完成并确定后，最优分割阈值也随之确定，本实验研究验证集样本数量对求取最优分割阈值的影响。利用3 300个样本训练完成了基本分类器，分别采用每种字符从100到1 300，每次递增100个样本构造验证集，重复求取最优分割阈值的估计值，得到的结果如图6所示，若以每种字符1 300个样本的验证集得到的结果为近似准确结果，随着样本数量的增加，估计值表现出逐渐稳定的趋势。因此在最优阈值估计中，可采用递增验证样本数量的方法，以满足稳定条件时的估计值作为组合分类器的分割阈值。

图6 最优阈值估计随验证集样本数量的变化

3.4 真实实验

利用本文训练得到的组合分类器在真实的液晶字符测试装置上进行字符识别准确性测试实验。利用Arduino单片机和液晶显示模块设计了一个如图7(a)所示的液晶字符识别测试仪，可受控地显示4位以内的液晶数字，将测试仪放置在一个支架内，相机采用Basler acA640-90gm，保持相机与支架间的相对位置不变，模拟实际应用中的字符采集视觉系统。计算机首先控制测试仪显示一个伪随机的4位以内十进制数，再控制相机采集测试仪液晶面板图像，通过图像处理方法提取4个液晶字符图像，字符提取结果样例如图7(b)所示，每个字符图像的像素为37×67，经滤波和标准化处理后送训练好的组合分类器进行识别，并与已知的真实值进行对比来判定字符识别的效果。

图7 液晶字符识别测试仪和提取的液晶字符图像((a)测试仪；(b)液晶字符图像样例)

利用仿真方法构造实验所需液晶字符训练集和验证集，数据集中包括0~9和空格共11类字符，每种字符选择4 251个样本，共46 761个样本作为训练集；每种字符选择2 000个样本，共22 000个样本作为验证集；在测试过程中人为地加入适当干扰，如添加表面划痕、改变环境照明条件、加入人影晃动、桌面振动等模拟应用现场条件，共拍摄10 000幅真实液晶字符图像，共40 000个字符样本构成测试集。

实验中计算机配置为i5-10代CPU、NVIDIA MX250显卡、16 G内存，模型采用TensorFlow训练，采用Python语言和OpenCV编程，表3显示了基本分类器和组合分类器在测试集上的正确率及3种方法的平均计算时间，可见组合分类器的正确率高于基本分类器，说明了本文方法在真实场景下也是有效的。由于只有前级分类器输出的softmax最大值小于阈值时才需要后级分类器的进一步判断，而此类样本数量并不特别多，所以组合分类器的平均计算时间仅较前级分类器的略长。本实验3种分类器均能在2.00 ms内完成计算，考虑到图像采集的时间受相机帧率、曝光时间等因素影响一般约为几十毫秒，因此分类器的运行时间几乎不会对系统实时性产生不良影响。

表3 真实实验中各分类器正确率

3.5 CIFAR-10数据集上的实验

本文提出的构造组合分类器的方法只利用了前级分类器的softmax输出形式，因此也可用于其他以softmax输出的基本分类器的组合以解决其他分类问题。本实验在CIFAR-10数据集上进行应用效果测试，该数据集共有飞机、汽车、鸟等10类图像，每类包括6 000幅图像。实验中选择的2个基本分类器分别是ResNet56[18]和NiN (Network in Network)[19]，以ResNet56作为组合分类器的前级；选择数据集中的每类3 000个样本(共30 000个)作为训练集，另外2 000个样本(共20 000个)作为验证集，其余1 000个样本(共10 000个)作为测试集。

训练完成的2个分类器组合后在验证集和测试集上的效果如图8所示，在验证集上得到的最优阈值为0.920 673，2个基本分类器在测试集上共有1 267个样本的分类结果不同，采用该阈值的组合分类器能对其中的880个样本分类正确，若取其他阈值，最好的情况(阈值取0.879 553)能对890个样本正确分类，仅有10个样本数量的提升，说明本文提取分割阈值的方法也是有效的。

图8 CIFAR-10数据集上的实验结果

表4列出了基本分类器和组合分类器在测试集上的正确率结果，可见组合分类器性能较单一分类器均有提升；利用2.3节的方法，将训练集和验证集合并，共50 000个样本对基本分类器重新进行训练，沿用0.920 673作为分割阈值，组合分类器正确率得到进一步提高，再次验证了其方法的有效性，也说明了本文方法具有一定的普适性。

表4 CIFAR-10数据集上各分类器正确率(%)

4 结束语

本文针对仪表液晶显示字符的识别问题，提出一种结合了CNN和SVM 2种典型分类器的组合分类器的构造方法。该方法将CNN分类器的softmax最大值作为判定分类结果置信度的依据，若足够大则直接采用CNN分类器的结果，反之采用SVM分类器的结果，在MNIST数据集和液晶字符仿真数据集上，该组合分类器都表现出优于单一基本分类器的特性。实验结果还验证了本文基于验证集的最优分割阈值估计方法的有效性。

这种组合分类器方法本质上是针对2种分类器的提升方法，要求前级分类器以softmax形式输出，后级分类器与前级分类器工作原理上具有一定的独立性，并具有相近的正确率。本文的实验结果验证了该方法在LCD字符识别问题上能产生性能提升的效果，并且具有一定的普适性，也可用于解决其他分类问题。

[1] 瞿国庆,李汪佩. 渣土车车牌字符智能识别研究[J]. 电子测量与仪器学报, 2016, 30(12): 1853-1860.QU G Q, LI W P. Research on intelligent recognition for muck car license plate character[J]. Journal of Electronic Measurement and Instrumentation, 2016, 30(12): 1853-1860(in Chinese).

[2] 陈军胜. 组合结构特征的自由手写体数字识别算法研究[J]. 计算机工程与应用, 2013, 49(5): 179-184, 194.CHEN J S. Research on combining structural features based free handwritten digital identification algorithm[J]. Computer Engineering and Applications, 2013, 49(5): 179-184, 194(in Chinese).

[3] 胡君萍, 傅科学. 基于改进KNN算法的手写数字识别研究[J]. 武汉理工大学学报: 信息与管理工程版, 2019, 41(1): 22-26.HU J P, FU K X. An improved KNN algorithm for recognition of handwritten numerals[J]. Journal of WUT: Information & Management Engineering, 2019, 41(1): 22-26(in Chinese).

[4] 丛爽, 陆婷婷. 用于英文字母识别的三种人工神经网络的设计[J]. 仪器仪表学报, 2006, 27(z3): 2242-2244.CONG S, LU T T. Design of three artificial neural networks used on English charaeter recognition[J]. Chinees Jounral of Seientific Instrument, 2006, 27(z3): 2242-2244(in Chinese).

[5] 任俊, 黄丹丹, 李志能. 基于支撑向量机和小波的字符识别[J]. 浙江大学学报:工学版, 2005, 39(12): 2016-2020.REN J, HUANG D D, LI Z N. Character recognition based on support vector machines and wavelet[J]. Journal of Zhejiang University: Engineering Science, 2005, 39(12): 2016-2020(in Chinese).

[6] 陈蔼祥. 用于字符和数字识别的若干分类方法的比较研究：实验结果[J]. 计算机科学, 2015, 42(S1): 102-106, 121.CHEN A X. Comparison of several classification approaches to digit and letter recognition: experimental results[J]. Computer Science, 2015, 42(S1): 102-106, 121(in Chinese).

[7] COATES A, CARPENTER B, CASE C, et al. Text detection and character recognition in scene images with unsupervised feature learning[C]//2011 International Conference on Document Analysis and Recognition. New York: IEEE Press, 2011: 440-445.

[8] LEE C Y, BHARDWAJ A, DI W, et al. Region-based discriminative feature pooling for scene text recognition[C]//2014 IEEE Conference on Computer Vision and Pattern Recognition. New York: IEEE Press, 2014: 4050-4057.

[9] LECUN Y, BOTTOU L, BENGIO Y, et al. Gradient-based learning applied to document recognition[J]. Proceedings of the IEEE, 1998, 86(11): 2278-2324.

[10] YE Q X, DOERMANN D. Text detection and recognition in imagery: a survey[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2015, 37(7): 1480-1500.

[11] CIREGAN D, MEIER U, SCHMIDHUBER J. Multi-column deep neural networks for image classification[C]//2012 IEEE Conference on Computer Vision and Pattern Recognition. New York: IEEE Press, 2012: 3642-3649.

[12] 丁进超, 张伟伟, 吴训成. 基于双向长短期记忆网络的车牌识别算法[J]. 电子测量与仪器学报, 2018, 32(6): 173-179.DING J C, ZHANG W W, WU X C. License plate recognition algorithm based on long and short memory network[J]. Journal of Electronic Measurement and Instrumentation, 2018, 32(6): 173-179(in Chinese).

[13] 朱敏觉, 朱宁波, 袁异. 一种多分类器集成的手写体汉字识别方法[J]. 计算机工程与科学, 2009, 31(4): 36-39.ZHU M J, ZHU N B, YUAN Y. A handwritten Chinese character recognition method based on multi-classifier ensemble[J]. Computer Engineering & Science, 2009, 31(4): 36-39(in Chinese).

[14] 刘余霞, 吕虹, 胡涛, 等. 基于Bagging集成学习的字符识别方法[J]. 计算机工程与应用, 2012, 48(33): 194-196, 211.LIU Y X, LV H, HU T, et al. Research on character recognition based on Bagging ensemble learning[J]. Computer Engineering and Applications, 2012, 48(33): 194-196, 211(in Chinese).

[15] SAABNI R. Ada-boosting extreme learning machines for handwritten digit and digit strings recognition[C]//The5th International Conference on Digital Information Processing and Communications (ICDIPC). New York: IEEE Press, 2015: 231-236.

[16] HSU C W, LIN C J. A comparison of methods for multiclass support vector machines[J]. IEEE Transactions on Neural Networks, 2002, 13(2):415-425.

[17] XIE S N, GIRSHICK R, DOLLAR P, et al. Aggregated residual transformations for deep neural networks[C]//2017 IEEE Conference on Computer Vision and Pattern Recognition. New York: IEEE Press, 2017: 1492-1500.

[18] HE K M, ZHANG X Y, REN S Q, et al. Deep residual learning for image recognition[C]//2016 IEEE Conference on Computer Vision and Pattern Recognition (CVPR). New York: IEEE Press, 2016: 770-778.

[19] LIN M, CHEN Q, YAN S. Network in network[EB/OL]. (2014-03-04) [2020-07-29]. https://arxiv.org/abs/1312.4400.

A combined classifier based on CNN and SVM for LCD character recognition

LIU Chang, XU Chao-yuan, ZHANG Xin, XUE Lei

(School of Information Science and Engineering, Shenyang Ligong University, Shenyang Liaoning 110159, China)

A combined classifier based on convolution neural network (CNN) and support vector machine (SVM) was proposed for the recognition of liquid crystal displayer (LCD) characters. Two basic classifiers were utilized to build a combined classifier for recognition. One was CNN with a parallel structure, and the other was SVM using histogram of oriented gradients (HOG) features of the character image. If a sample’s responses from two basic classifiers conflicted with each other, the maximum component of the softmax vector outputted from CNN classifier was employed to determine the final result. If it was greater than a threshold, the CNN result was adopted, otherwise the SVM result. An error model for LCD character image was presented and adopted to construct a simulation dataset for the algorithm training and test. An optimal threshold estimation algorithm based on voting principle was proposed. The combined classifier was tested on both MNIST dataset and an LCD character simulation dataset. The experimental results show that the threshold estimation result was reliable, and that the combined classifier outperformed both CNN and SVM basic classifiers. Using the method on a real test system, the accuracy rate was 99.81%. The results prove the method’s effectiveness for LCD character recognition. The experimental results on CIFAR-10 dataset show that the method can also be applied to other kinds of classifications.

computer vision; machine learning; liquid crystal displayer character recognition; support vector machine;convolution neural network

TP 391

10.11996/JG.j.2095-302X.2021010015

A

2095-302X(2021)01-0015-08

2020-06-05；

5 June，2020；

2020-08-03

3 August，2020

辽宁省自然科学基金项目(20170540792)

：Natural Science Foundation of Liaoning Province (20170540792)

刘 昶(1971-)，男，辽宁盘锦人，副教授，博士，硕士生导师。主要研究方向为机器视觉和智能系统。E-mail：syliuch@126.com

LIU Chang (1971-), male, associate professor, Ph.D. His main research interests cover machine vision and intelligent system. E-mail：syliuch@126.com