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

《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