[發明專利]一種基于ABC-PCNN的裂縫識別方法及系統

在審

• 申請號: 201811429036.6
• 申請日: 2018-11-27
• 公開（公告）號: CN109615616A
• 公開（公告）日: 2019-04-12
• 發明（設計）人: 王育堅;譚衛雄;李深圳
• 申請（專利權）人: 北京聯合大學
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06N3/00;G06N3/04;G06N3/08;G06T7/11
• 代理公司: 北京馳納智財知識產權代理事務所(普通合伙) 11367
• 代理人: 謝亮

1.一種基于ABC-PCNN的裂縫識別方法，包括提取路面裂縫圖像的特征矢量，其特征在于，還包括以下步驟：

步驟1：簡化PCNN模型；

步驟2：改進基于最小誤差準則的適應度函數fit；

步驟3：將改進ABC-PCNN算法用于路面裂縫圖像進行二值分割。

2.如權利要求1所述的基于ABC-PCNN的裂縫識別方法，其特征在于：所述PCNN的簡化模型在接收域中，F通道與L通道分別只接受了單個神經元I_ij的輸入和周圍8個神經元的輸入。

3.如權利要求1所述的基于ABC-PCNN的裂縫識別方法，其特征在于：所述改進后的適應度函數fit的計算公式為fit＝C-J C＞max(J)，其中，C為常數，J為最小誤差。

4.如權利要求3所述的基于ABC-PCNN的裂縫識別方法，其特征在于：所述J的計算公式為J＝1+2[P_Ologσ_O+P_Blogσ_B]-2[P_Olog P_O+P_Blog P_B]，其中：P_O為目標裂縫的正態概率密度分布，P_B為背景的正態概率密度分布，σ_O為目標裂縫的標準差，σ_B為背景的標準差。

5.如權利要求4所述的基于ABC-PCNN的裂縫識別方法，其特征在于：所述目標裂縫的正態概率密度分布P_O的計算公式為P_O＝∑_i∈Oh(i)；所述背景的正態概率密度分布P_B的計算公式為P_B＝∑_i∈Bh(i)，其中i為圖像的灰度值，O為目標圖像，B為背景圖像，h(i)為圖像的灰度直方圖。

6.如權利要求5所述的基于ABC-PCNN的裂縫識別方法，其特征在于：所述目標裂縫的標準差的計算公式為所述背景的標準差的計算公式為其中，μ_O為目標的灰度均值，計算公式為μ_B為背景的灰度均值，計算公式為

7.如權利要求2所述的基于ABC-PCNN的裂縫識別方法，其特征在于：所述二值分割的方法包括以下子步驟：

步驟31：初始化N、M、Limit和D；其中N為采蜜蜂、觀察蜂和食物源，M為最大迭代次數，向量維數D＝3，Limit為最大解不變搜索次數，Limit＝0.11*M；

步驟32：隨機生成解；

步驟33：計算個體適應度值；

步驟34：尋找新蜜源；

步驟35：判斷是否出現偵查蜂；

步驟36：n＝n+1，當n≤M時，執行步驟32；當n＞M時，執行步驟37，其中，n是當前迭代次數；

步驟37：用獲取的最佳連接系數代入改進后的PCNN模型，將圖像進行一次性分割。

8.如權利要求7所述的基于ABC-PCNN的裂縫識別方法，其特征在于：所述步驟32為設置所有蜜蜂都為偵查蜂模式，按照下面公式隨機產生2N個可能解，u_ij＝X_min+r(0，1)(X_max-X_min)，其中，u_ij為第i個偵查蜂第j維所在的位置；X_min、X_max分別表示u_ij的最小值和最大值。

9.如權利要求7所述的基于ABC-PCNN的裂縫識別方法，其特征在于：所述步驟33為將所述步驟32產生的解帶入改進PCNN模型中，根據下面公式計算其最小誤差和個體適應度值fit_i，fit＝C-J C＞max(J)。

10.一種基于ABC-PCNN的裂縫識別系統，包括用于提取路面裂縫圖像的特征矢量的信息提取模塊，其特征在于，還包括以下模塊：

模型簡化模塊：用于簡化PCNN模型；

函數改進模塊：用于改進基于最小誤差準則的適應度函數K；

二值分割模塊：用于將改進ABC-PCNN算法用于路面裂縫圖像進行二值分割。