本发明专利技术公开了基于核范数正则低秩编码的风机叶片图像故障识别方法，该方法首先获取风机叶片故障图像训练样本集，然后利用基于核范数正则的低秩编码方法，获取待识别样本在训练样本集上的线性表示系数，最后通过计算待识别样本在每个类上的表示残差，根据残差计算出待识别样本的类标。本发明专利技术方法不但保持了图像的结构信息，同时还将同类样本本身具有的低秩特征融入其中，并利用稀疏特征信息来得到待识别样本的表示系数，提高了识别精度。
【技术实现步骤摘要】
本专利技术涉及一种图像识别方法，特别是一种基于核范数正则低秩编码的风机叶片图像故障识别方法，属于图像识别
技术介绍
图像识别一般分为四个步骤：图像预处理、特征提取、特征表达以及分类。为了更好地跟踪和识别风力机叶片的运行状态，常常需要拍摄一些风机叶片图像。传统图像识别算法假定输入的图像具有较好的质量。然而在实际生活中，由于目标图像常常与摄像设备距离较远，又受到光照条件的变化，目标图像的运动模糊以及设备自身的噪声等因素的影响，所获取的图像分辨率低，噪声大，特征细节信息也极度有限。在这种情况下，传统的图像识别算法远远达不到人们所期待的结果。随着电力发展的要求和科技的进步，对风力机的单机功率的要求越来越高，也就导致风力机长度越来越大，也导致叶片的问题越来越不容忽视。这就要求对叶片的故障能够及时的进行监测，及时的对叶片早期故障监测识别可以合理地安排维修计划，并防止由于叶片故障导致整个动力系统发生故障，减少经济损失。现有的识别方法归类如下：1.基于稀疏表示的分类方法(SRC)，记载在J.Wright、A.Y.Yang等于2009年在IEEETransactionsonPatternAnalysisandMachineIntelligence第31卷第2期210-227页发表的《RobustFaceRecognitionviaSparseRepresentation》中，该方法假定当测试样本所在类的训练样本数足够多时，测试样本可以由这些训练样本进行线性表示，而其他类的样本对重构该测试样本的贡献为0。2.局部限制的编码方法(LLC)，记载在J.Wang、J.Yang等于2010年在IEEEConferenceonComputerVisionandPatternRecognition3360-3367页发表的《Locality-constrainedlinearcodingforimageclassification》中，该方法在目标函数中增加局部性限制，使得求得的表示系数不光有稀疏性，还具有局部性。3.核范数正则编码方法(NSC)，记载在L.Luo、J.Yang等于2014年在IEEEInternationalConferenceonPatternRecognition1834-1839页发表的《NuclearNormRegularizedSparseCoding》中，该方法针对测试图像中可能含有的连续性噪声问题，运用核范数来刻画线性表示残差。NSC对于块状遮挡，比如围巾和眼镜遮挡，具有较好的鲁棒性。以上方法在求解表示系数时，运用所有类的训练样本线性表示测试样本，并且用表示残差作为目标函数。然而，表示残差最小的那些训练样本未必与测试样本来自于同一类，使得求解的表示系数中非零元素不单单对应于同类样本上，导致表示系数的求解不够精确，同时导致训练样本中同类样本的低秩信息没有进行很好地利用。
技术实现思路
本专利技术所要解决的技术问题是：提供一种基于核范数正则低秩编码的风机叶片图像故障识别方法，运用基于核范数正则的低秩编码方法对风机叶片图像故障进行识别，满足实际应用中对风机叶片图像故障识别的高精度需求。本专利技术为解决上述技术问题采用以下技术方案：基于核范数正则低秩编码的风机叶片图像故障识别方法，包括如下步骤：步骤1，获取风机叶片故障图像训练样本集和待识别样本，所述训练样本集包括c个不同的类，对训练样本集中的每个训练样本和待识别样本均进行归一化；步骤2，利用基于核范数正则的低秩编码方法，计算归一化后的待识别样本在归一化后的各训练样本上的线性表示系数；步骤3，根据线性表示系数计算归一化后的待识别样本在各个类上的残差，并根据残差计算待识别样本所属的类。优选的，步骤1所述对训练样本集中的每个训练样本进行归一化的计算公式为：Aij(p,q)=Bij(p,q)/Σk=1wΣl=1hBij(k,l)2,(p=1,...,w;q=1,...,h),]]>其中，Aij(p,q)为训练样本Bij第p行第q列的像素归一化后的像素值，Bij(p,q)为训练样本Bij第p行第q列的像素值，w、h分别为训练样本Bij的宽度、高度，j＝1,2,…,ni，ni为第i个类中训练样本的个数，i＝1,2,…,c，c为训练样本集的类数。优选的，步骤2所述计算归一化后的待识别样本在归一化后的各训练样本上的线性表示系数的目标函数为：minx,u,Z,E||u||1+λ||Z||*+β||E||*s.t.x=u,Z=Hdiag(x),E=A(x)-D,]]>其中，||·||1为向量的1范数，||·||*为矩阵的核范数，u为中间变量，D为归一化后的待识别样本，x＝[x1,x2,…,xN]T为系数向量，A(x)＝x1A1+x2A2+…+xNAN，x1,x2,…,xN为各训练样本A1,A2,…,AN的线性表示系数，为所有训练样本的个数，c为训练样本集的类数，ni为第i个类中训练样本的个数，E为残差项，H＝[Vec(A1),…,Vec(AN)]，Vec(·)为矩阵的向量化操作，diag(·)为对角化操作，λ为第一正则化参数，β为第二正则化参数。优选的，所述目标函数的拉格朗日函数为：Lμ(x,u,Z,E)=||u||1+λ||Z||*+β||E||*+μ2(||x-u+1μy1||F2+||Hdiag(x)-Z+1μY2||F2+||A(x)-D-E+1μY3||F2)-12μ||y1||22-12μ||Y2||F2-12μ||Y3||F2,]]>其中，y1、Y2、Y3均为拉格朗日乘子，μ为第三正则化参数，为矩阵的F范数的平方，为向量的2范数的平方。优选的，所述拉格朗日函数的求解方法为交替方向乘子法。优选的，步骤3所述根据残差计算待识别样本所属的类的计算公式为：其中，D为归一化后的待识别样本，为归一化后的第i类训练样本，i＝1,2,…,c，c为训练样本集的类数，ni为第i个类中训练样本的个数，w×h为训练样本的大小，为第i类训练样本的线性表示系数的特征函数。本专利技术采用以上技术方案与现有技术相比，具有以下技术效果：本专利技术提出一种用于风机叶片图像故障识别的基于核范数正则的低秩编码方法，该方法不但保持了图像的结构信息，同时还将同类样本本身具有的低秩特征融入其中，并利用稀疏特征信息来得到待识别样本的表示系数，提高了识别精度，为后续的故障维修提供帮助。附图说明图1是本专利技术基于核范数正则低秩编码的风机叶片图像故本文档来自技高网...
【技术保护点】
基于核范数正则低秩编码的风机叶片图像故障识别方法，其特征在于，包括如下步骤：步骤1，获取风机叶片故障图像训练样本集和待识别样本，所述训练样本集包括c个不同的类，对训练样本集中的每个训练样本和待识别样本均进行归一化；步骤2，利用基于核范数正则的低秩编码方法，计算归一化后的待识别样本在归一化后的各训练样本上的线性表示系数；步骤3，根据线性表示系数计算归一化后的待识别样本在各个类上的残差，并根据残差计算待识别样本所属的类。
【技术特征摘要】
1.基于核范数正则低秩编码的风机叶片图像故障识别方法，其特征在于，包括如下步
骤：
步骤1，获取风机叶片故障图像训练样本集和待识别样本，所述训练样本集包括c个不
同的类，对训练样本集中的每个训练样本和待识别样本均进行归一化；
步骤2，利用基于核范数正则的低秩编码方法，计算归一化后的待识别样本在归一化后
的各训练样本上的线性表示系数；
步骤3，根据线性表示系数计算归一化后的待识别样本在各个类上的残差，并根据残差
计算待识别样本所属的类。
2.如权利要求1所述基于核范数正则低秩编码的风机叶片图像故障识别方法，其特征
在于，步骤1所述对训练样本集中的每个训练样本进行归一化的计算公式为：
Aij(p,q)=Bij(p,q)/Σk=1w-Σl-1hBij(k,l)2,(p=1,...,w;q=1,...,h),]]>其中，Aij(p,q)为训练样本Bij第p行第q列的像素归一化后的像素值，Bij(p,q)为训练样
本Bij第p行第q列的像素值，w、h分别为训练样本Bij的宽度、高度，j＝1,2,…,ni，ni为第i个
类中训练样本的个数，i＝1,2,…,c，c为训练样本集的类数。
3.如权利要求1所述基于核范数正则低秩编码的风机叶片图像故障识别方法，其特征
在于，步骤2所述计算归一化后的待识别样本在归一化后的各训练样本上的线性表示系数
的目标函数为：
minx,u,Z,E||u||1+λ||Z||*+β||E||*s.t.x=u,Z=Hdiag(x),E=A(x)-D,]]>其中，||·||1为向量的1范数，||·||*为矩阵的核范数，u为中间变量，D为归一化后的
待识别样本，x＝[x1,x2,…,xN]T...
【专利技术属性】
技术研发人员：高广谓，岳东，荆晓远，吴松松，邓松，
申请(专利权)人：南京邮电大学，
类型：发明
国别省市：江苏;32
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。