張志東，湯銘輝，謝志強，劉 靜

（1.廣東立勝綜合能源服務有限公司，廣東佛山528000；2.佛山科學技術(shù)學院自動化學院，廣東佛山528225）

利用工業(yè)機器人完成高壓鐵塔噴涂工作已經(jīng)應用于電力系統(tǒng)設備的維護工程之中［1］，在噴涂過程中所噴區(qū)域質(zhì)量的檢測是保障噴涂工作質(zhì)量的重要環(huán)節(jié)。檢驗噴涂質(zhì)量的方法眾多，如光譜法［2］、紅外線技術(shù)以及圖像技術(shù)［3］等。隨著神經(jīng)網(wǎng)絡的發(fā)展，基于圖像技術(shù)的質(zhì)量檢測得到廣泛的應用［4］。神經(jīng)網(wǎng)絡技術(shù)的并行性計算能力、非線性映射以及自適應能力等優(yōu)點已有了充分的認識，各種神經(jīng)網(wǎng)絡模型在圖像處理領(lǐng)域中得到廣泛應用［5］。鐵塔噴涂對象表面是鐵質(zhì)平面，根據(jù)噴涂工藝流程及質(zhì)量標準的要求［6］，噴涂質(zhì)量缺陷主要有起泡、流掛、疏松、起皺、針孔以及粗粒等。本文采用方向梯度直方分布圖（HOG）［7］對噴涂圖像進行特征提取分類，實現(xiàn)噴涂質(zhì)量檢測。

1 HOG特征提取

在特征提取前，首先對圖像進行規(guī)范化處理，將圖像縮放為256×256大小，然后進行下列計算提取圖像特征（灰度梯度），其步驟如下所述。

（1）灰度化。灰度可表達為

（2）歸一化。采用Gamma校正法對輸入圖像進行顏色空間的標準化（歸一化）為

其中，本文取γ=0.5。

（3）梯度計算。計算圖像每個像素的梯度（包括大小和方向）時，需要取相同的水平和豎直方向模板［-1 0 1］T分別計算下列參數(shù)。

1）水平邊緣可表示為

2）豎直邊緣可表示為

3）梯度大小可表示為

4）梯度方向可表示為

（4）將圖像劃分成8×8=64互不重疊小細胞單元（cell），統(tǒng)計每個單元的梯度方向直方圖，將所有梯度方向劃分為9個bin（即9維特征向量）。

（5）將每2×2個細胞單元組成一個塊，一個塊內(nèi)所有細胞單元的特征向量串聯(lián)起來便得到該塊的HOG特征向量即4×9=36維特征向量。

（6）將第i塊的直方圖歸一化，即

其中，v為標準化前的特征向量；N為圖像的分塊數(shù)目；ε為一個很小的標準化常量，防止除數(shù)為0。

（7）將圖像內(nèi)的所有塊的HOG特征向量串聯(lián)起來就可得該圖像的HOG特征向量，即

2 基于圖像的等級分類

鐵塔噴涂的質(zhì)量等級分為合格與不合格，是典型的二分類問題。設vi∈Rn，yi∈R分別代表第i幅圖像的特征向量和類別，其中yi=｛1，-1｝代表合格和不合格樣本，數(shù)據(jù)集

為待分類的樣本集。引進一非線性函數(shù)?（x）：Rn→RN，有

將X∈RN維輸入向量映射到N維空間。當樣本的維數(shù)較小時，常常需要將樣本映射到更高維空間（N＞n），以獲得較高的識別準確率；而當樣本維數(shù)較大，為避免維數(shù)災難，應該取N＜n。在圖像處理時，由于樣本維數(shù)較大，文獻［8］常用主元分析法（PCA）來處理特征向量，或者用支持向量機（SVM）［9］來進行識別。本文基于線性優(yōu)化理論［10］開發(fā)下列算法，允許高低維映射自由選擇，且計算結(jié)果可利用數(shù)值穩(wěn)定性較好的廣義逆矩陣來求得。

設網(wǎng)絡輸出為符號函數(shù)，即

其中，ω∈RN為權(quán)值輸出向量，b為標量常量。由標識符yi的定義，當y（x）＞0時，識別結(jié)果為合格樣本，反之y（x）＜0為不合格樣本。下面討論權(quán)值系數(shù)ω的確定。

將樣本代入式（11）可得到

令φi＝［1 ?T（Vi）］T，λ＝［b ωT］T，將式（12）寫成矩陣形式

其中，ψ（V）=［?T（V1）?T（V2）…?T（Vi）］T，Y（V）=［y（V1）y（V2）…y（Vi）］T。

由線性方程理論可知，式（5）的最小誤差范數(shù)解為

其中，ψ+（V）為Moore-Penrose［10］廣義逆。

該分類器的計算步驟如圖1所示。

3 仿真實驗

為驗證此方法的有效性，本文采取了21張圖像作為訓練樣本，13張圖像作為測試樣本。測試樣本結(jié)果為：-1-1 1 1 1-1 1-1-1-1-1 1 1，與原始圖像類別完全一致，準確率為100%，識別過程如圖2所示。

圖1 分類器計算步驟

圖2 在線采樣圖像識別流程

4 小結(jié)

本文根據(jù)鐵塔噴涂圖像的特點，采用HOG方法提取噴涂圖像的特征，鑒于HOG方法所得到的特征向量維數(shù)規(guī)模大，建立了一種簡潔快速的二分類方法。該方法只需進行廣義逆計算，避免了非線性最優(yōu)求解問題，特別適合在線診斷的快速性要求。實驗表明，該分類器就實驗樣本而言，準確率達100%。該樣本數(shù)偏少，后續(xù)工作需要進一步通過增加樣本數(shù)量，從而提高分類器的適應性。