[發(fā)明專利]基于選擇性搜索分割的風(fēng)機葉片表面缺陷診斷方法

在審

• 申請?zhí)枺?/td>: 201710287756.2
• 申請日: 2017-04-27
• 公開（公告）號: CN107144569A
• 公開（公告）日: 2017-09-08
• 發(fā)明（設(shè)計）人: 曹暉;于雅潔;劉尚;白瑞仙;張盼盼
• 申請（專利權(quán)）人: 西安交通大學(xué)
• 主分類號: G01N21/88
• 分類號: G01N21/88;G06T7/00;G06T7/11
• 代理公司: 西安智大知識產(chǎn)權(quán)代理事務(wù)所61215
• 代理人: 何會俠

1.一種基于選擇性搜索分割的風(fēng)機葉片表面缺陷診斷方法，其特征在于：包括以下步驟：

步驟1：通過選擇性搜索分割從現(xiàn)場拍攝的風(fēng)機葉片故障圖像中獲得待檢測的區(qū)域；

(1)通過基于圖的圖像分割，得到初始化的區(qū)域R＝{r₁,…,r_n}，n為初始化的區(qū)域個數(shù)，具體步驟如下；

a.將現(xiàn)場拍攝的風(fēng)機葉片故障圖像用加權(quán)圖表示，加權(quán)圖由節(jié)點集V和邊集E組成，表示為G＝(V,E)，節(jié)點集V＝{v₁,…,v_m}，m為節(jié)點個數(shù)，邊集E＝{b₁,…,b_l}，l為邊的條數(shù)；

b.以非遞減方式將l條邊按照權(quán)值排序；

c.每個節(jié)點屬于一個區(qū)域，得到最初的分割區(qū)域集合R⁽⁰⁾；

d.記第k條邊連接的兩個節(jié)點為v_i和v_j，記第k次分割的區(qū)域集合為R^(k-1)，如果R^(k-1)中v_i和v_j分別屬于兩個區(qū)域且第k條邊的權(quán)重w(b_k)大于兩個區(qū)域內(nèi)間距，則R^(k)＝R^(k-1)，k＝k+1，反之，合并兩個區(qū)域，在R^(k-1)中去掉這兩個區(qū)域并加入新合并的區(qū)域，變成新的分割集合R^(k)；

e.重復(fù)步驟d,直到k＝m，得到初始化的區(qū)域R＝R^(m)；

(2)初始化相似度集合為空集；

(3)計算相鄰區(qū)域的相似度s(r_i,r_j)，S＝S∪s(r_i,r_j)；其中S(r_i,r_j)＝S_g(r_i,r_j)+S_t(r_i,r_j)+S_a(r_i,r_j)+S_c(r_i,r_j)，S_g(r_i,r_j)為灰度特征相似度，S_t(r_i,r_j)為紋理相似性，S_a(r_i,r_j)為面積相似性，S_c(r_i,r_j)為相交相似性；

a.從每個初始區(qū)域中得到一個一維的灰度分布直方圖，該直方圖共有25個區(qū)間，和分別表示第i個和第j個區(qū)域第k個區(qū)間的灰度分布直方圖特征；

b.對每個初始區(qū)域，在8個方向上計算方差為1的高斯微分，每個方向用10個區(qū)間的紋理直方圖來描述，和分別表示第i個和第j個區(qū)域第k個區(qū)間的紋理直方圖特征；

c.其中size(r_i)和size(r_j)分別表示第i個和第j個區(qū)域的像素數(shù)目，size(X)表示拍攝所得圖片的像素數(shù)目；

d.其中size(A_ij)表示第i個和第j個區(qū)域最小外包區(qū)域的像素數(shù)目；

(4)找到相似度最大的兩個區(qū)域r_a，r_b，s(r_a,r_b)＝max(S)；

(5)合并r_a和r_b，獲得新的區(qū)域r_t，r_t＝r_a∪r_b；

(6)在相似度集合S中去掉和r_a相關(guān)的相似度，S＝S/s(r_a,r_*)，在相似度集合S去掉和r_b相關(guān)的相似度，S＝S/s(r_b,r_*)；

(7)在初始化的區(qū)域R中去掉r_a和r_b，R＝R/r_a，R＝R/r_b，加入r_t R＝R∪r_t；

(8)計算區(qū)域r_t和它的相鄰區(qū)域的相似度S_t，S＝S∪S_t；

(9)重復(fù)步驟(4)到步驟(8)，直到得到待檢測的區(qū)域r_t；

步驟2：通過ImageNet圖像集訓(xùn)練深度卷積神經(jīng)網(wǎng)絡(luò)，提取除最后兩層以外的網(wǎng)絡(luò)作為圖像特征提取網(wǎng)絡(luò)；

(1)構(gòu)建一個10層神經(jīng)網(wǎng)絡(luò)，前六層分別是卷積層C1、池化層P1、卷積層C2、池化層P2、卷積層C3和池化層P3，第7、8、9層是全連接層FC1、FC2和FC3，輸出層是Softmax層；

(2)通過反向傳播算法，在ImageNet圖像集訓(xùn)練步驟(1)中的深度卷積神經(jīng)網(wǎng)絡(luò)，直到輸出層的損失函數(shù)J(θ)≤0.001，得到深度卷積神經(jīng)網(wǎng)絡(luò)CNN；

(3)提取訓(xùn)練后深度卷積神經(jīng)網(wǎng)絡(luò)CNN的前八層，作為圖像特征提取網(wǎng)絡(luò)f(X)；

步驟3：提取風(fēng)機葉片訓(xùn)練的圖像特征，放入支持向量機進行訓(xùn)練學(xué)習(xí)，求解分類超平面，得到支持向量機模型M(d)；

步驟4：將步驟1中獲得的待檢測區(qū)域r_t，輸入步驟2中的到的圖像特征提取網(wǎng)絡(luò)f(X)，得到待檢測區(qū)域的圖像特征d_t，將圖像特征d_t輸入訓(xùn)練好的支持向量機模型M(d)，最終得到風(fēng)機狀態(tài)y_t。