基于BP神经网络的管道缺陷识别.docVIP

基于BP神经网络的管道缺陷识别 　　摘 要 为了能够自适应地识别管道内部缺陷，针对目前管道内部图像须有人工实时检测的弊端，提出了一种以机器学习完成缺陷分类的方法。该方法通过训练好的 BP 人工神经网络智能识别管道内缺陷及其种类，通过图像处理技术提取管道内各参数，最后利用管道内边缘周长、面积、辉度等参数识别缺陷类型。实例应用结果表明： 该方法能够有效地识别异物、裂纹、堵塞。 　　【关键词】BP神经网络 管道缺陷 缺陷分类 　　目前，通过图像处理的方式进行模式识别已成为新的研究热点，并广泛应用于识别汽车车牌、手写汉字、水位线、水稻品质及各种工业产品等领域。在城市管道检测技术方面，现多采用由管道机器人对待测管道进行内部信息采集，再由人工进行实时的观测并进行判断。但是，由人工对管道内部问题进行判断，其判断的主观性与遗漏的可能性都是难以避免的。针对这一情况，通过人工智能算法―BP神经网络对已获取的图像信息进行处理，从而得到管道内部的缺陷类型，不仅降低了系统操作人员的劳动强度，而且从整体上提高了缺陷分类软件的易用性和可移植性。 　　监控中视频处理的过程如图1所示，本项目将在图像处理技术的基础上通过BP神经网络着重对分类识别的部分进行研究，以达到机器智能检测的目的。 　　1 图像的预处理 　　1.1 管道内部缺陷样本的采集 　　建立管道内部缺陷库，是进行管道内部缺陷识别的必要条件。同时也是对识别方法进行客观测试，估计其性能，评价其优缺点的根本依据。采集样本时应符合大多数管道问题的实际情况，反映各种管道材料、直径、形状的特征等。 　　较差的学习样本不但会导致网络的错误映射关系，而且还可能会使该网络的学习过程不收敛， 因此采集学习样本对于BP神经网络系统的学习和训练尤为重要。本实验采集学习样本的原则为： 　　1.1.1 代表性 　　所用样本需要起到以点带面的作用，应当体现出输入输出关系，如选用特征突出的样本，只有通过具有代表性的学习样本所训练出来的BP神经网络才能很好的映射输入输出的关系。 　　1.1.2 广泛性 　　所用样本应能提供该BP网络各种情况下的输入，广泛的样本可使训练出来的BP网络具有良好的适应力，这对于管道内部缺陷识别与分类来说是非常重要的。 　　1.1.3 紧凑性 　　若学习样本含有较多的无效成分会导致学习过程难以收敛，从而导致训练出来的网络会产生错误的映射，使网络输出过多偏向无效学习成分所形成的错误的映射关系。 　　1.2 归一化处理 　　管道缺陷种类繁杂，缺陷特征各不相同，即使是常见缺陷也会因大小和分布的不同而有所差异，所以在进行缺陷识别前需要对其进行归一化处理。缺陷的归一化处理可分为线性和非线性两种。进行归一化处理是为了是消除由于管道自身缺陷而带来的识别问题，从而进一步的为提取特征和分类器识别打下良好的基础。 　　通过线性归一化的方式将其归一化为统一大小的图像，归一化后的图像可以表示为： 　　其中，width和height分别表示未归一化时原图像的宽与高，W与H则表示规一化后图像所对应的宽和高，A（水平）、B（垂直）分别表示原图像的左上角与规一化后矩形框左上角的距离。 　　线性归一化算法较为简单，即将图像按一定比例线性调整为同一尺寸，可以保有原图像的形状与特征（几乎无失真），但是无法改变图像的亮度与清晰度等属性；非线性归一化是按照管道内部的特征分布来处理、调整清晰度，削弱那些偏亮、偏暗的区域，或是像素密集的区域，压缩像素分散的区域。 　　1.3 平滑去噪处理 　　各?N噪声可能存在于样本图像中，如高斯噪声、白噪声等。图像的平滑化，即消除样本图像中的噪声成分，是图像增强技术中的一种。该操作可达到两个目的： 　　（1）按特定的需要突出图像中的特定信息； 　　（2）消除视频图像在输入时混入的噪声，以适应计算机的处理。 　　图像平滑化处理的要求有： 　　（1）不能损坏图像的边缘轮廓及线条等重要信息； 　　（2）使图像清晰。 　　平滑处理的方法分为： 　　（1）空间域法（时域），其中空间域法又分为线性和非线性滤波器； 　　（2）频域法一般需要对图像进行一次正向的数学变换（通常离散傅立叶变换，也可以为拉氏变换或Z变换）和一次反向的数学逆变换。 　　2 BP神经网络的运用 　　许多学者对BP神经网络的算法及结构进行过优化，有人提出：神经网络好比是一种自适应机器，神经网络是一个由若干简单处理单元所共同组成的大型分布式处理器，因此具有存储经验知识（记忆性）和使之可用（有用性）的特性。神经网络与人脑的相似之处有两个： 　　（1）所获取的知识都由外界环境学习而来； 　　（2）突触权值（神经元间的相互连接强度）用于储存所获取的知识。 　　2.1 BP神经网络的简介 　　人工神经