基于视觉感知的故障图像检测算法.docx
- 文档编号:8638866
- 上传时间:2023-02-01
- 格式:DOCX
- 页数:10
- 大小:268.01KB
基于视觉感知的故障图像检测算法.docx
《基于视觉感知的故障图像检测算法.docx》由会员分享,可在线阅读,更多相关《基于视觉感知的故障图像检测算法.docx(10页珍藏版)》请在冰豆网上搜索。
基于视觉感知的故障图像检测算法
第31卷第9期2010年9月
仪器仪表
学
报
V01.31
No.9
ChineseJournalofScientificInstrument
Sep.2010
基于视觉感知的故障图像检测算法
逯鹏1,李永强1,王治忠1,矫琨2
(1
郑州大学电气工程学院郑州450001;2河南长城信息技术有限公司
郑州450001)
摘要:
针对列车运行故障图像检测问题,提出了一种基于视觉感知机制的图像故障检测方法,实现了列车摇枕裂纹故障的高效率少样本检测。
该方法首先基于ICA模型从图像序列中学习初级视皮层中简单细胞感受野;然后,计算正常图像和故障图像神经元的响应,找出对刺激响应较强烈的神经元,输出其对应的内容,进行故障检测。
实验结果表明,该方法具有较高的故障检测率,同时能够利用少量样本实现对大量图像的故障检测。
关键词:
视觉感知;感受野;故障图像;裂纹中图分类号:
TP2
文献标识码:
A
国家标准学科分类代码:
510.8040
Fault-imagedetectionalgorithmbased
on
visualperception
LuPen91,LiYongqian91,WangZhizhon91,JiaoKun2
(J
School
ofElectricalEngineering,Zhengzhou
University,Zhengzhou450001,China;
2TheGreat
WallInformationTechnologyco.LtdofltenanProvince,Zhengzhou450001,China)
Abstract:
Amethodbased
on
visualpereeptionmechanismisproposedforsolvingtheproblemoffault・・imagedetec—・
can
tionofrunningtrain.Thedetectionofswingbolstercracklebeachievedinhishefficiencyandwithsmallsam-
pies.Firsdy,thereceptivefieldofsimpleceUsinprimaryvisualcodexisobtainedfromtheimagesequenceusingICAmodel.Secondly,thestrongertothestimulus
can
neuron
responseofnormalandfaultimages
are
calculated,thenthe
can
neuron
thatresponds
as
befoundout,anditscorresponding
contentforfaultdetection
beoutputted
well.
Experimentresultsshowthattheberof
methodhas
a
highfault—detectionrateand
Can
achievefaultdetectionoflargeaura-
imagesusingsmallsamples.
Keywords:
visualperception;receptivefield;faultimage;crackle
基于独立分量分析(ICA)模型从列车图像序列中学
1引言
习初级视皮层中简单细胞感受野,计算正常图像和故障图像神经元的响应,找出对刺激响应较强烈的神经元,输出其对应的内容,进行故障检测。
实验结果表明,该方法能够利用少样本实现图像故障区域坐标定位,实现了对大量图像的高故障检测率。
高速列车的列检方式主要是由高速摄像机将列车关键部位的动态图像,通过光纤网络传输到控制室,然后进行人工识别。
特点是劳动强度大且易造成识别错误。
目前基于图像的故障检测方法主要包括:
基于图像灰度、形态和纹理特征的方法¨剖、图像分割HJ、小波变换和神经网络”…。
这些方法计算复杂,耗时长,很难满足实时作业要求。
动物视觉具有最优秀的图像信息处理机制,充分模拟视觉感知机制对于完成裂纹、瑕疵、缺损等一系列基于图像的故障检测任务具有重要的意义。
收稿日期:
2010-01
ReceivedDate:
2010-01
2视觉感知机制及其信息处理模型
2.1视觉感知机制
视觉信息是按照视网膜、视神经交叉、视束、侧膝体、
}基金项目:
国家自然科学基金(No.60841004,60971110)资助项目
万方数据
1998
仪器仪表学报第31卷
大脑视觉皮层的传输路径逐级进行传递的川。
几乎所有来自视网膜的视觉信号都要在初级视皮层(V1区)处理后再向更高级的视皮层传递。
Vl主要负责提取图像的形状、方向和色彩等信息,具有空间域的局部性、时间和
频域的方向性和选择性。
以及稀疏响应特性悼1。
V1区在
视觉信息处理过程中起着重要的作用一1。
研究和模拟其信息处理机制对于更高效的基于图像的故障检测技术具有突破性的意义和作用。
2.2
V1区视觉信息处理模型
Olshausen和Field提出了稀疏编码模型,有效模拟
了V1区的稀疏响应特性。
lOJ。
Bell、Van
Hateren、Lewicki
和Hyvarinen等采用ICA方法提取的基函数与V1区简单细胞感受野的三个响应特性非常相近¨1。
14J。
这些模型解释了动物视觉的信息处理机制,但并没有解决实际的故障图像检测问题。
因此,在有效编码模型的基础上,模拟Vl区简单细胞感受野处理图像信息的机制,采用ICA方法从实际列车摇枕图像中学习基函数,实现基于视觉感知的故障图像检测。
有效编码模型可以简单描述为:
X=AS
(1)
即对图像X进行变换,找到隐藏“因子’!
S,并使得S满足有效编码准则,例如统计独立性。
从神经生物学角度,有效编码模型对应视皮层神经细胞的响应过程,S对应初级神经细胞对外界刺激的响应值,A为响应矩阵。
首先给出基函数学习规则和实现算法,然后给出故障感知算法。
基于稀疏编码理论,采用独立ICA方法从自然图像中学习基函数。
对于基本的ICA模型M=Wx,根据文献[15]基本学习算法的推导,从Kullback_Leibler发散度导出代价函数:
J(x,形)=一log
I如f(形)|-∑Elogqj(%)
(2)
式中:
ql(毛)可取Laplace概率密度函数。
采用随机梯度下降学习算法使.,(石,彤)极小化:
AW(t)=W(t+1)一形(f)=一叩(t)茄
(3)
阵可用分量方向的微分计算,即:
AW(t)=一叩(t)丽OJ=
(4)
万方数据
式中:
妒。
(戈;)=一q'i(毛)/qj(毛),叼(t)是学习率,随时间或迭代次数而变化。
由于参数空间由所有的非奇异矩阵w组成,Amari等【l副引入了一个自然黎曼测度到空间w,并证明了参数w的黎曼空间的真实最速下降方向是:
AW=一叼(t)羔旷w
(5)
0w
因此,基于自然梯度下降算法来更新矩阵w,可得到基函数自适应学习规则:
△w=一'7(£)茄wTw=
叼(t)[,一(妒[x(k)]“’(k)矿)]W=’7(t)[,一(妒[X(k)]省1’(k))]W(6)
式中:
(・)为批处理中的均值。
算法l基函数学习算法输入:
样本图像
输出:
响应矩阵W及相应的基函数A
步骤:
1)对图像进行随机采样,得到训练样本数据;
2)对样本数据用主成分分析(PCA)法进行自化,白化后的数据作为算法输入数据;
3)根据式u=Wx计算茗;
4)根据式(6)对w进行更新,每个基归一化为单位
向量;
5)如果norm(AW)≤占(误差阈值),则停止迭代;
否则,回到2);
6)停止学习,输出结果w及相应的原图像空间基
函数A。
3.2故障检测算法
在基函数学习基础上进行故障感知。
取一幅正常图像和与其相应的故障图像作为测试图像,进行故障检测。
当神经元接收到测试图像的刺激时,会有一些神经元产生较强烈的响应,将响应较大的神经元作为输出,这些神经元的感受野就是感知到的刺激图像内容。
为得到响应较强烈的神经元,首先根据故障特征设定阈值:
0=埘妇一A(埘抽一埘岫)/160
(7)
式中:
加岫为最大响应系数,硼觚。
为最小响应系数,A为常数。
基于式“=Wx,利用算法l得到的神经元响应茗计
算响应矩阵'-,,之后对响应系数埘i进行筛选,取大于设定阈值的响应系数,并输出其对应的神经元。
这些神经元所表示的内容即为感知到的刺激图像内容。
算法2故障检测算法
输入:
一幅正常图像和一幅故障图像
输出:
响应较强烈的神经元所表示的内容
3基于视觉感知的故障检测算法
3.1基函数学习规则及算法
式中:
叩(t)是学习率,随时间或迭代次数而变化,梯度矩
',(t)[W~一(妒[X(k)]“1(后))]
第9期逯鹏等:
基于视觉感知的故障图像检测算法
1999
步骤:
1)对图像进行顺序采样;
2)将采样到的图像块用主成分分析(PCA)法进行白化;
3)根据公式Ⅱ=Wx计算w;
4)若Wi>0,则输出其对应的神经元屯;5)输出该神经元所表示的内容。
6)对正常图像和故障图像神经元所表示的内容进行对比,定位故障坐标。
算法2流程图如图1所示。
广一一一
匣壁里圈
匝亟圈
习
预l
i蚕》引
r_’币膏讯『]
簦I
f函B网w,标--蒯w团
:
r霸蛔
一I--==='----i_.二--'--.====一-I
选择正常.故障选图像神经无响应
■了=择神<夭于阈值、
经元的响
输fI{表示的内容
.................I定位故障坐标
!
...........一L一一一垒堡氅叁)一一一
一兰_j
茎j
图1故障检测算法流程
Fig.1Theflowchartoffaultdetection
algoritllm
4实验
4.1数据采样及预处理
数据采样分为基函数学习时的随机采样和故障感知
时的顺序采样。
1)随机采样。
选择10幅512x512像素的货车摇枕
图像作为样本图像进行训练,图2给出了其中2幅图像。
为避免影响像素之间的统计特性,采用M×M的滑动空间子窗口对每幅图像进行随机采样,子图像块可重叠以弥补边缘像素问的统计特性。
每幅图像随机采样5000
个32×32像素的图像块,得到1
024×50
000的输入数
据集合u;然后将样本用PCA法进行白化并降维到160
维,得到160x50000样本矩阵作为基函数学习算法的
输入样本。
万方数据
图2训练样本中的2幅摇枕图像
Fig.2Twoswingbolsterimagesintrainingsample
2)顺序采样。
选择512×512像素的列车摇枕图像进行顺序采样,如图3所示。
从图像左上角顶点坐标开始,采用32×32像素的空间子窗口对图像进行采样,得到第一个图像小块,然后右移32个像素,采集第二块,如此采集16块后,再从顶点坐标位置向下移动32个像素,采集第二行的16块,如此共采集到如图所示的256个大小相同位置连续的图像块。
图3顺序采样
Fig.3Sequential
sampling
4.2基函数
首先用ICA对上述基函数学习样本数据进行分解并输出结果。
由于输入样本是采集图像块经白化和降维得到的,所以此时ICA的输出结果还处于白化空间,需要将该结果映射到原图像空间,可得到基函数(神经元的感受野)。
经学习得到的基函数如图4所示。
由图中可以看出所得基函数具有空间域的局部性、时间和频域的方向性和选择性,这些特性与神经生理学实验中发现的V1区简单细胞感受野的特征相吻合¨¨。
图4lO幅摇枕图像学习得到的基函数
Fig.4
Thebasisfunctionobtainedfrom
ten
swingbolster
images
仪器仪表学报第3I卷
4.3故障检测像和故障图像内容感知结果后,进行故障检测。
首先找
出故障区域神经元所表示的内容,然后根据图像的坐标
表示方法定位故障区域,并在实际列车故障图像中定位
故障区域,如图6所示。
取正常图像和对应的故障图像作为测试图像,进行故障感知。
当接收到测试图像刺激,会有神经元产生较强烈的响应,将这些神经元作为输出,其感受野就是感知
到的刺激图像内容,感知结果如图5所示。
得到正常图
(a)正常图像
(a)Normalimage(b)正常I冬I像内容感知结果(b)Normalimagecontent(c)故障图像result(d)故障}冬I像内容感知结果(d)Faultimageperception(c)Faultimagecontentperceptionresult
图5内容感知结果
Fig.5Contentperceptionresults
(a)故障感知结果
(a)Faultperceptionresult(b)故障区域定位(b)Faultarea(C)图像故障区域检测结果(C)Thedetectionresultofimagelocationfaultarea
图6故障检测
Fig.6Faultdetection
分别采用基于视觉感知的方法、模板匹配方法和Hough变换方法进行故障检测,检测结果对比如图7所示。
(a)基j:
视觉感知的方法检测结果
(a)Visualperceptiondetectionresult(b)模板匹配方法检测结果(b)Templatematchingdetectionresult(c)HouglI变换方法检测结果(c)Houghtl'8越orlBdetection
result
图7实验结果对比
Fig.7Experimentresultcomparison
万方数据
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 基于 视觉 感知 故障 图像 检测 算法
![提示](https://static.bdocx.com/images/bang_tan.gif)