[發明專利]基于深度學習的圖像演化分析方法

有效

• 申請號: 202010211522.1
• 申請日: 2020-03-24
• 公開（公告）號: CN111402249B
• 公開（公告）日: 2023-05-02
• 發明（設計）人: 劉君;楊延西;魏永貴;黃雪飛;鄧毅;宋念龍;王衛平;潘正權;易廣宙
• 申請（專利權）人: 東方電氣集團東方鍋爐股份有限公司
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06T7/11;G06T7/45;G06N3/04;G06N3/08
• 代理公司: 成都泰合道知識產權代理有限公司 51231
• 代理人: 向晟

1.基于深度學習的圖像演化分析方法，其特征在于，包括以下步驟：

S1：采集空預器轉子的紅外圖像后，紅外熱像機傳輸至圖像處理模塊；

S2：接收圖像后進行圖像預處理，轉化所述預處理的紅外圖像為灰度曲線圖像；

S3：增強所述灰度曲線圖像以突出目標區域；

S4：根據所述增強后的灰度曲線圖像，建立灰度共生矩陣；

S5：分析灰度共生矩陣相關統計量，提取紋理特征參數；

S6：建立深度信念網絡分析模型并進行訓練與測試；

S7：訓練后的模型根據紋理特征參數分析空預器轉子的積灰狀態。

2.如權利要求1所述的基于深度學習的圖像演化分析方法，其特征在于，步驟S2所述轉化方法進一步包括以下步驟：

(1)利用Sobel兩個方向上的算子在輸入圖像f(x,y)上滑動；

公式如下：

其中，A與B是Sobel算子的矩陣，f(x,y)為輸入圖像；

(2)兩個方向上的算子與其覆蓋的輸入圖像上9個像素進行卷積操作，即可分別得到橫向及縱向邊緣檢測的幅值；邊緣檢測的幅值公式如下：

其中，G_x為橫向邊緣檢測幅值,G_y為縱向邊緣檢測幅值；

(3)利用橫向及縱向邊緣檢測的幅值得到該點最終的灰度值；

公式如下，

其中，G為該點的灰度值：

(4)獲取輸入圖像上所有點的灰度值，將紅外圖像轉化為灰度曲線圖像。

3.如權利要求1所述的基于深度學習的圖像演化分析方法，其特征在于，步驟S3所述圖像增強采用高斯濾波方法，通過掃描圖像中的所有像素，用鄰域內像素的加權平均灰度值來代替中心點像素的值；即每一個像素點的值均為其本身和鄰域內各像素值的加權平均值；以下為一維高斯分布函數公式：

其中，σ為標準差，又稱為高斯半徑；G(x)為概率。

4.如權利要求1所述的基于深度學習的圖像演化分析方法，其特征在于，步驟S4所述建立灰度共生矩陣，進一步包括以下步驟：

(1)從灰度值為i的像素點出發，到相隔距離為d的像素點的灰度值的狀況進行統計；

(2)選取圖像f(x,y)中的任意一點(x,y)以及相隔距離為d的另一點(x+a,y+b)；

(3)假設該點對的灰度值為(g₁,g₂)，令(x,y)在整個圖像平面上移動，便會得到各種(g₁,g₂)的值，統計每一種(g₁,g₂)出現的次數；

(4)歸一化處理后為出現的概率P(g₁,g₂)，由其所排成的方陣為灰度共生矩陣。

5.如權利要求1所述的基于深度學習的圖像演化分析方法，其特征在于，步驟S5所述紋理特征參數選取ASM能量、對比度、熵、逆方差、自相關性；

ASM能量即矩陣元素的平方和，具體計算公式：

其中，G表示灰度共生矩陣，k表示該方陣大小，i，j分別表示行、列；

對比度的具體計算公式：

其中，G表示灰度共生矩陣，k表示該方陣大小，i，j分別表示行、列；

熵的具體計算公式：

其中，G表示灰度共生矩陣，k表示該方陣大小，i，j分別表示行、列；

逆方差的具體計算公式：

其中，G表示灰度共生矩陣，k表示該方陣大小，i，j分別表示行、列；

自相關性的具體計算公式：

其中，G表示灰度共生矩陣，k表示該方陣大小，i，j分別表示行、列；

6.如權利要求1所述的基于深度學習的圖像演化分析方法，其特征在于，步驟S6中，所述深度信念網絡分析模型由三層RBM和一層BP組成，該模型輸入為所述提取的紋理特征參數歸一化后的數值，輸出為空預器轉子的當前狀態。