[發明專利]一種基于自編碼神經網絡的風機視覺檢測系統

在審

• 申請號: 201710825269.7
• 申請日: 2017-09-14
• 公開（公告）號: CN107633511A
• 公開（公告）日: 2018-01-26
• 發明（設計）人: 徐一鳴;張娟;顧菊平;陸觀;劉成成;徐星;華亮;陳峰;朱建紅
• 申請（專利權）人: 南通大學
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06K9/66;G06K9/00;G06N3/04;G06N3/06;G06N3/08;F03D17/00
• 代理公司: 南通市永通專利事務所(普通合伙)32100
• 代理人: 葛雷

技術領域

本發明涉及一種風機視覺檢測系統。

背景技術

風電機組所處區域通常為灘涂或近海，分布范圍廣，周圍工況復雜，工作環境惡劣，僅靠人力的巡檢手段很難保證工作人員的效率和安全，再加之風電機組的裝機容量逐年擴大，這無疑會為風電機組的狀態監測和優化維修增加難度。因此，需要通過無人機技術對風電機組的運行狀態進行航拍監控，采用計算機技術實現對風電機組的視覺檢測，提高風機檢測的可靠性。近年來國內外學者開展了諸多風機識別方面的研究工作，主要是利用聲發射技術和紅外熱成像技術完成風機的健康監測，基于人工神經網絡的研究仍然很少。

發明內容

本發明所要解決的技術問題是提供一種具備準確性與可靠性的基于自編碼神經網絡的風機視覺檢測系統。

本發明為了解決上述技術問題采用以下技術方案：本發明設計了一種基于自編碼神經網絡的風機視覺檢測系統，實時執行如下步驟，針對無人機航拍視頻運用自編碼神經網絡實現風機的識別；

步驟1)讀取無人機航拍視頻中的部分幀風機圖像，經人工篩選建立風機樣本數據庫，將圖像庫中的所有圖片縮放成預定大小的灰度圖，并對其進行灰度直方圖均衡化，進而獲得風機的訓練樣本集和測試樣本集；

步驟2)構建BP神經網絡，BP神經網絡包括四層：輸入層、隱含層1、隱含層2和輸出層，輸入為歸一化后的18*27的圖片，輸入層的神經元個數為486，隱含層的神經元數量選取為25，而輸出層的節點數確定為2，用[1,0]代表正樣本的期望輸出，[0,1]代表負樣本的期望輸出；

步驟3)建立自編碼器，分別對風機的正負樣本集進行預訓練，利用訓練得到的模型參數和輸入數據計算隱藏單元的激活量，以激活量代替原始輸入更好地描述特征，其中模型參數包括輸入層與隱含層的連接權重矩陣，偏置神經元連接權重向量，輸出層與隱含層的連接權重矩陣。將正負樣本集得到的結果進行整合，即合并權重矩陣，以此獲取新的特征向量；

步驟4)將預訓練得到的新樣本集輸入到BP神經網絡中再次進行訓練，得到風機的二分類器；

步驟5)將測試樣本集中的待檢測圖片輸入到4)訓練好的BP神經網絡中進行測試；

步驟6)采用隨機滑動窗口的方法對測試圖片進行檢測，每到一個位置，便會給出對于這個窗口是否包含風機區域的一個分數，若該分數高于設定的閾值0.8，即認為此滑動窗包含目標物體，以得到輸入圖片中所有包含風機的區域，用矩形框圈定這些區域，并記錄下當前窗口的位置信息和對應的分數；

步驟7)由步驟6)中的隨機滑動窗口的邊界位置確定包含風機區域的最遠距離和風機的中心點，根據隨機滑動窗口偏離中心位置的距離大小標記滑動窗，將距離少于窗口邊長1/5的隨機窗口標記為中心窗，將距離大于等于窗口邊長1/5的滑動窗標記為邊沿窗；

步驟8)計算步驟6)中每個包含風機的區域對應的隨機滑動窗的聯合概率密度P，舍去與中心窗聯合概率密度小于0.5的邊沿窗，即完成對包含風機的區域的初步篩選工作。

步驟9)根據步驟6)記錄的分數對剩下的隨機滑動窗進行非極大值抑制，在窗口相互重疊的局部區域內選出分數最高的極大值代表窗口，以此作為最終的風機檢測區域。

作為本發明的一種優選技術方案，所述步驟3)是通過構建自編碼神經網絡對正負樣本集進行預訓練。將正負樣本集放入自編碼器中進行訓練，在訓練結束后可得到模型參數W⁽¹⁾(輸入層與隱含層的連接權重矩陣),b⁽¹⁾(偏置神經元連接權重向量),W⁽²⁾(隱含層與輸出層的連接權重矩陣),b⁽²⁾(偏置神經元連接權重向量),由給定的任意輸入數據x計算出隱藏單元的激活量a，以激活量a代替原始輸入x作為新的特征向量，對樣本集來說是更好的特征表達。

作為本發明的一種優選技術方案，所述步驟3)中，將正樣本集和負樣本集分開放入自編碼器中進行訓練，再將二者的結果整合在一起，即相當于同時為正負樣本找到了更好的特征描述。

作為本發明的一種優選技術方案，所述步驟6)中，采用滑動窗方法對測試樣本圖片進行檢測。按間距和尺度大小逐一探測圖片中的區域，由步驟4)所得的二分類器判斷該區域是否為風機，并對此滑動窗進行評分，如果分數高于固定閾值0.8，即認為該滑動窗口含有目標物體風機，直至遍歷整幅圖像，檢測出所有包含風機的區域。