劉恩東

摘 要 為了能夠自適應(yīng)地識(shí)別管道內(nèi)部缺陷，針對(duì)目前管道內(nèi)部圖像須有人工實(shí)時(shí)檢測(cè)的弊端，提出了一種以機(jī)器學(xué)習(xí)完成缺陷分類的方法。該方法通過訓(xùn)練好的 BP 人工神經(jīng)網(wǎng)絡(luò)智能識(shí)別管道內(nèi)缺陷及其種類，通過圖像處理技術(shù)提取管道內(nèi)各參數(shù)，最后利用管道內(nèi)邊緣周長(zhǎng)、面積、輝度等參數(shù)識(shí)別缺陷類型。實(shí)例應(yīng)用結(jié)果表明： 該方法能夠有效地識(shí)別異物、裂紋、堵塞。

【關(guān)鍵詞】BP神經(jīng)網(wǎng)絡(luò) 管道缺陷 缺陷分類

目前，通過圖像處理的方式進(jìn)行模式識(shí)別已成為新的研究熱點(diǎn)，并廣泛應(yīng)用于識(shí)別汽車車牌、手寫漢字、水位線、水稻品質(zhì)及各種工業(yè)產(chǎn)品等領(lǐng)域。在城市管道檢測(cè)技術(shù)方面，現(xiàn)多采用由管道機(jī)器人對(duì)待測(cè)管道進(jìn)行內(nèi)部信息采集，再由人工進(jìn)行實(shí)時(shí)的觀測(cè)并進(jìn)行判斷。但是，由人工對(duì)管道內(nèi)部問題進(jìn)行判斷，其判斷的主觀性與遺漏的可能性都是難以避免的。針對(duì)這一情況，通過人工智能算法—BP神經(jīng)網(wǎng)絡(luò)對(duì)已獲取的圖像信息進(jìn)行處理，從而得到管道內(nèi)部的缺陷類型，不僅降低了系統(tǒng)操作人員的勞動(dòng)強(qiáng)度，而且從整體上提高了缺陷分類軟件的易用性和可移植性。

監(jiān)控中視頻處理的過程如圖1所示，本項(xiàng)目將在圖像處理技術(shù)的基礎(chǔ)上通過BP神經(jīng)網(wǎng)絡(luò)著重對(duì)分類識(shí)別的部分進(jìn)行研究，以達(dá)到機(jī)器智能檢測(cè)的目的。

1 圖像的預(yù)處理

1.1 管道內(nèi)部缺陷樣本的采集

建立管道內(nèi)部缺陷庫，是進(jìn)行管道內(nèi)部缺陷識(shí)別的必要條件。同時(shí)也是對(duì)識(shí)別方法進(jìn)行客觀測(cè)試，估計(jì)其性能，評(píng)價(jià)其優(yōu)缺點(diǎn)的根本依據(jù)。采集樣本時(shí)應(yīng)符合大多數(shù)管道問題的實(shí)際情況，反映各種管道材料、直徑、形狀的特征等。

較差的學(xué)習(xí)樣本不但會(huì)導(dǎo)致網(wǎng)絡(luò)的錯(cuò)誤映射關(guān)系，而且還可能會(huì)使該網(wǎng)絡(luò)的學(xué)習(xí)過程不收斂， 因此采集學(xué)習(xí)樣本對(duì)于BP神經(jīng)網(wǎng)絡(luò)系統(tǒng)的學(xué)習(xí)和訓(xùn)練尤為重要。本實(shí)驗(yàn)采集學(xué)習(xí)樣本的原則為：

1.1.1 代表性

所用樣本需要起到以點(diǎn)帶面的作用，應(yīng)當(dāng)體現(xiàn)出輸入輸出關(guān)系，如選用特征突出的樣本，只有通過具有代表性的學(xué)習(xí)樣本所訓(xùn)練出來的BP神經(jīng)網(wǎng)絡(luò)才能很好的映射輸入輸出的關(guān)系。

1.1.2 廣泛性

所用樣本應(yīng)能提供該BP網(wǎng)絡(luò)各種情況下的輸入，廣泛的樣本可使訓(xùn)練出來的BP網(wǎng)絡(luò)具有良好的適應(yīng)力，這對(duì)于管道內(nèi)部缺陷識(shí)別與分類來說是非常重要的。

1.1.3 緊湊性

若學(xué)習(xí)樣本含有較多的無效成分會(huì)導(dǎo)致學(xué)習(xí)過程難以收斂，從而導(dǎo)致訓(xùn)練出來的網(wǎng)絡(luò)會(huì)產(chǎn)生錯(cuò)誤的映射，使網(wǎng)絡(luò)輸出過多偏向無效學(xué)習(xí)成分所形成的錯(cuò)誤的映射關(guān)系。

1.2 歸一化處理

管道缺陷種類繁雜，缺陷特征各不相同，即使是常見缺陷也會(huì)因大小和分布的不同而有所差異，所以在進(jìn)行缺陷識(shí)別前需要對(duì)其進(jìn)行歸一化處理。缺陷的歸一化處理可分為線性和非線性兩種。進(jìn)行歸一化處理是為了是消除由于管道自身缺陷而帶來的識(shí)別問題，從而進(jìn)一步的為提取特征和分類器識(shí)別打下良好的基礎(chǔ)。

通過線性歸一化的方式將其歸一化為統(tǒng)一大小的圖像，歸一化后的圖像可以表示為：

其中，width和height分別表示未歸一化時(shí)原圖像的寬與高，W與H則表示規(guī)一化后圖像所對(duì)應(yīng)的寬和高，A（水平）、B（垂直）分別表示原圖像的左上角與規(guī)一化后矩形框左上角的距離。

線性歸一化算法較為簡(jiǎn)單，即將圖像按一定比例線性調(diào)整為同一尺寸，可以保有原圖像的形狀與特征（幾乎無失真），但是無法改變圖像的亮度與清晰度等屬性；非線性歸一化是按照管道內(nèi)部的特征分布來處理、調(diào)整清晰度，削弱那些偏亮、偏暗的區(qū)域，或是像素密集的區(qū)域，壓縮像素分散的區(qū)域。

1.3 平滑去噪處理

各種噪聲可能存在于樣本圖像中，如高斯噪聲、白噪聲等。圖像的平滑化，即消除樣本圖像中的噪聲成分，是圖像增強(qiáng)技術(shù)中的一種。該操作可達(dá)到兩個(gè)目的：

（1）按特定的需要突出圖像中的特定信息；

（2）消除視頻圖像在輸入時(shí)混入的噪聲，以適應(yīng)計(jì)算機(jī)的處理。

圖像平滑化處理的要求有：

（1）不能損壞圖像的邊緣輪廓及線條等重要信息；

（2）使圖像清晰。

平滑處理的方法分為：

（1）空間域法（時(shí)域），其中空間域法又分為線性和非線性濾波器；

（2）頻域法一般需要對(duì)圖像進(jìn)行一次正向的數(shù)學(xué)變換（通常離散傅立葉變換，也可以為拉氏變換或Z變換）和一次反向的數(shù)學(xué)逆變換。

2 BP神經(jīng)網(wǎng)絡(luò)的運(yùn)用

許多學(xué)者對(duì)BP神經(jīng)網(wǎng)絡(luò)的算法及結(jié)構(gòu)進(jìn)行過優(yōu)化，有人提出：神經(jīng)網(wǎng)絡(luò)好比是一種自適應(yīng)機(jī)器，神經(jīng)網(wǎng)絡(luò)是一個(gè)由若干簡(jiǎn)單處理單元所共同組成的大型分布式處理器，因此具有存儲(chǔ)經(jīng)驗(yàn)知識(shí)（記憶性）和使之可用（有用性）的特性。神經(jīng)網(wǎng)絡(luò)與人腦的相似之處有兩個(gè)：

（1）所獲取的知識(shí)都由外界環(huán)境學(xué)習(xí)而來；

（2）突觸權(quán)值（神經(jīng)元間的相互連接強(qiáng)度）用于儲(chǔ)存所獲取的知識(shí)。

2.1 BP神經(jīng)網(wǎng)絡(luò)的簡(jiǎn)介

人工神經(jīng)網(wǎng)絡(luò)是根據(jù)模仿動(dòng)物神經(jīng)網(wǎng)絡(luò)的行為特征，進(jìn)行分布式并行處理算法的一種數(shù)學(xué)模型。這種網(wǎng)絡(luò)在處理信息時(shí)是通過調(diào)整內(nèi)部大量節(jié)點(diǎn)之間相互連接的關(guān)系所實(shí)現(xiàn)的。而BP（Back Propagation）神經(jīng)網(wǎng)絡(luò)模型是由Rumelhart和Mccdknd為首的科學(xué)家小組提出是一種按誤差逆?zhèn)鞑ニ惴ㄓ?xùn)練的多層前饋網(wǎng)絡(luò)。其憑借著強(qiáng)大的聯(lián)想能力、容錯(cuò)能力以及自組織能力，成為現(xiàn)階段應(yīng)用最為廣泛的神經(jīng)網(wǎng)絡(luò)之一 。BP神經(jīng)網(wǎng)絡(luò)最大特點(diǎn)僅依靠樣本輸入、輸出數(shù)據(jù)，不借助系統(tǒng)的基本物理定律，就能實(shí)現(xiàn)由Rn空間（n個(gè)輸入節(jié)點(diǎn)）到Rm空間（m個(gè)輸出節(jié)點(diǎn)）的高度非線性映射。

2.2 BP網(wǎng)絡(luò)模型

BP神經(jīng)網(wǎng)絡(luò)是一種反饋前向型的神經(jīng)網(wǎng)絡(luò)，也是一種典型的多層前向型網(wǎng)絡(luò)，通過網(wǎng)絡(luò)內(nèi)各層之間的權(quán)值與結(jié)構(gòu)表示出復(fù)雜的非線性1/0映射關(guān)系，BP神經(jīng)網(wǎng)絡(luò)同時(shí)具有較好的自我學(xué)習(xí)功能，能夠通過誤差的反饋算法，比照已有的樣本進(jìn)行重復(fù)訓(xùn)練，調(diào)整網(wǎng)絡(luò)內(nèi)各層間的權(quán)值，直到該網(wǎng)絡(luò)的1/0關(guān)系在某個(gè)訓(xùn)練指標(biāo)下與樣本最為接近。一個(gè)典型的BP神經(jīng)網(wǎng)絡(luò)應(yīng)包含輸入層、中間層（也稱隱層）和輸出層，不同層之間相互連接，層內(nèi)神經(jīng)元之間無連接。其中隱含層可以為一層或多層。每一層都由互不連接的若干個(gè)神經(jīng)元組成。相鄰兩層的每一個(gè)神經(jīng)元之間的關(guān)系由權(quán)值所決定，權(quán)值的大小直觀地反映了兩個(gè)神經(jīng)元間的連接強(qiáng)弱，整個(gè)BP網(wǎng)絡(luò)的計(jì)算流程是由輸入層-中間層-輸出層單向前進(jìn)，因而屬于前向型網(wǎng)絡(luò)。

2.3 BP網(wǎng)絡(luò)原理

典型的BP網(wǎng)絡(luò)分為三層，即輸入層、隱含層和輸出層。其算法主要由以下四部分組成，即模式順傳播——誤差逆?zhèn)鞑ァ洃浻?xùn)練——學(xué)習(xí)收斂。

2.3.1 模式順傳播

2.3.2 誤差的逆?zhèn)鞑?/p>

根據(jù)輸出層產(chǎn)生的誤差，經(jīng)中間層向輸入層傳播，在這個(gè)過程中，按照梯度下降原則對(duì)各層的權(quán)值和閾值進(jìn)行誤差校正。

所以，按照梯度下降原則，可得到輸出層各單元的閾值調(diào)整量為：

（1）中間層到輸入層計(jì)算：

權(quán)值調(diào)整量計(jì)算：

按照梯度下降原則，可得到連接權(quán)值的調(diào)整量為：

閾值調(diào)整量計(jì)算：

按照梯度下降原則，可得到輸出層各單元的閾值調(diào)整量為：

以上的推導(dǎo)為標(biāo)準(zhǔn)差逆?zhèn)鬟f的算法，其中各連接權(quán)值的改變量分別與各個(gè)學(xué)習(xí)模式所對(duì)應(yīng)的誤差Ek成比例變化。而相對(duì)于全局誤差

的連接權(quán)調(diào)整，需要在完成m個(gè)學(xué)習(xí)模式后統(tǒng)一進(jìn)行，這是累積誤差逆?zhèn)鬟f的算法。一般來講，當(dāng)樣本較少時(shí)，累積誤差傳遞算法要比標(biāo)準(zhǔn)誤差傳遞算法速度快。

2.3.3 記憶訓(xùn)練

給出一組樣板反復(fù)進(jìn)行學(xué)習(xí)，調(diào)整權(quán)值和閾值的大小以使輸出值滿足一定的精度要求。

2.3.4 網(wǎng)絡(luò)收斂

經(jīng)由多次訓(xùn)練，BP神經(jīng)網(wǎng)絡(luò)的整體誤差趨向于最小值。

由于BP算法采用了按誤差函數(shù)梯度下降的方向進(jìn)行收斂，因此，可能使迭代陷入局部極小點(diǎn)，BP網(wǎng)絡(luò)收斂依賴于樣本的初始位置，適當(dāng)改變隱層單元個(gè)數(shù)，或給每個(gè)權(quán)值加上一個(gè)很小的隨機(jī)數(shù)，都可使收斂過程避免局部極小點(diǎn)。

3 結(jié)語

本文提出的基于圖像處理和BP神經(jīng)網(wǎng)絡(luò)技術(shù)的管道缺陷識(shí)別方法，可以通過BP神經(jīng)網(wǎng)絡(luò)完成機(jī)器視覺的學(xué)習(xí)，使管道機(jī)器人能夠自主判斷出管道內(nèi)部是否存在缺陷，并進(jìn)一步區(qū)分出管道接口滲漏、錯(cuò)口、管道腐蝕、管身穿孔、支管、淤積、結(jié)垢、障礙物等缺陷類型，完成整個(gè)智能檢測(cè)。同時(shí)，該方法也存在一定的誤識(shí)別率，這與訓(xùn)練樣本的豐富程度與待測(cè)管道的內(nèi)部環(huán)境密切相關(guān)。

參考文獻(xiàn)

[1]張小偉，解智強(qiáng)，侯至群，等.一種基于BP神經(jīng)網(wǎng)絡(luò)耦合排水管線信息的城市河道風(fēng)險(xiǎn)評(píng)價(jià)研究[J].測(cè)繪通報(bào)，2014（12）：93-96.

[2]彭向前.產(chǎn)品表面缺陷在線檢測(cè)方法研究及系統(tǒng)實(shí)現(xiàn)[D].華中科技大學(xué)，2008.

[3]王雪梅.基于神經(jīng)網(wǎng)絡(luò)的冷軋帶鋼表面缺陷識(shí)別分類技術(shù)研究[D].電子科技大學(xué)，2006.

[4]吳斌，齊文博，何存富，等.基于神經(jīng)網(wǎng)絡(luò)的超聲導(dǎo)波鋼桿缺陷識(shí)別[J].工程力學(xué)，2013（02）：470-476.

[5]童文俊.BP神經(jīng)網(wǎng)絡(luò)在板形缺陷識(shí)別中的應(yīng)用[D].江南大學(xué)，2008.

[6]劉彩紅.BP神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法的研究[J].西安工業(yè)大學(xué)學(xué)報(bào)，2012，32（09）：723-727.

[7]張弦.基于數(shù)據(jù)并行的BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練算法[D].華中科技大學(xué)，2008.

[8]黃良炯.供水管道表面損傷特征提取及其評(píng)價(jià)技術(shù)研究[D].哈爾濱工業(yè)大學(xué)，2008.

[9]王賡.基于BP神經(jīng)網(wǎng)絡(luò)的脫機(jī)手寫漢字識(shí)別研究[D].天津師范大學(xué)，2009.

[10]余本國(guó).BP神經(jīng)網(wǎng)絡(luò)局限性及其改進(jìn)的研究[J].山西農(nóng)業(yè)大學(xué)學(xué)報(bào)：自然科學(xué)版，2009，29（01）：89-93.

[11]李炯城，黃漢雄.一種新的快速BP神經(jīng)網(wǎng)絡(luò)算法——QLMBP[J].華南理工大學(xué)學(xué)報(bào)：自然科學(xué)版，2006，34（06）：49-54.

[12]吳凌云.BP神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法的改進(jìn)及其應(yīng)用[J].信息技術(shù)，2003，27（07）：42-44.

[13]彭松，方祖祥.BP神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法的聯(lián)合優(yōu)化[J].電路與系統(tǒng)學(xué)報(bào)，2000，5（03）：26-30.

作者單位

江漢大學(xué)物理與信息工程學(xué)院 湖北省武漢市 430056