一种基于KLR算法的钢箱梁裂纹检测效率优化方法技术

本发明专利技术公开了一种基于KLR算法的钢箱梁裂纹检测效率优化方法，属于钢箱梁裂纹检测技术领域，具体包括以下步骤：NSCT变换提取特征；获取图像中存在的奇异点，利用NSP对原图像进行多尺度分解可达成此目的，第一次NSP分解将图像分解为低频和高频两个部分，按照如上原则，进行递归，对低频部分做进一步的NSP分解，即可实现图像的多尺度分解；NSDFB是一个双通道的滤波器，利用NSDFB对经NSP分解后得到的高频分量进行多方向分解，将分布在同方向的奇异点合成NSCT的系数。本发明专利技术对于提出的特征提取方法进行论述及验证，解决了处理提取的高维的数据特征时复杂度高、效率低下等问题，为后续的钢箱梁裂纹检测的研究提供参考意义。箱梁裂纹检测的研究提供参考意义。

【技术实现步骤摘要】
一种基于KLR算法的钢箱梁裂纹检测效率优化方法


[0001]本专利技术属于钢箱梁裂纹检测
，尤其涉及一种基于KLR算法的钢箱梁裂纹检测效率优化方法。

技术介绍

[0002]目前世界各国已建成上千座的采用正交异性钢桥面板的各类桥梁，同时，我国正在运营和在建中的该类型桥梁数量已达200余座。但是，在日以继夜的负载作用下，表面由于金属疲劳而导致裂纹的产生。同时，疲劳裂纹产生的机理复杂，且在初期阶段并不易发现，想要及时检测并修复困难较大，外加修复成本较高，疲劳裂纹已经成为影响钢箱梁桥运营安全状况的最严重的病害。
[0003]在工程应用中，采用线性回归法处理图像而得到的数据通常具有高维性质，而应用于分类识别的信息往往都是低维的，此外，高维的数据特征会导致模型复杂度过高，影响效率。

技术实现思路

[0004]本专利技术的目的在于：考虑结合核回归方法，基于KLR(Kernel
‑
Linear Regression)算法，创新性地提出一种各向异性钢箱梁裂纹检测方法。
[0005]为了实现上述目的，本专利技术采用了如下技术方案：
[0006]一种基于KLR算法的钢箱梁裂纹检测效率优化方法，具体包括以下步骤：
[0007]S1、NSCT变换提取特征；
[0008]S2、获取图像中存在的奇异点，利用NSP对原图像进行多尺度分解可达成此目的，第一次NSP分解将图像分解为低频和高频两个部分，按照如上原则，进行递归，对低频部分做进一步的NSP分解，即可实现图像的多尺度分解；NSDFB是一个双通道的滤波器，利用NSDFB对经NSP分解后得到的高频分量进行多方向分解，将分布在同方向的奇异点合成NSCT的系数；
[0009]S3、NSCT变换提取特征，具体实现步骤如下：
[0010]S301、对每一幅样本图像进行NSCT分解，得到多个NSCT子带图像；
[0011]S302、对得到的所有NSCT子带图像分别计算均值和方差统计量；
[0012]S303、对每一幅样本图像的统计特征行向量从上到下拼接组成一个NSCT特征矩阵；
[0013]S304、将所有图像区分为奇数号和偶数号，并将偶数号样本图像作为训练集，奇数号样本图像作为测试集，对两组数据集组成的特征矩阵归一化处理；
[0014]S4、KLR算法降维，构造拟合直线L，选择n个有效点的作为拟合直线L备用数据，第i个数据点对应样本集中的Gi；如果i和j属于同一类样本时，则在数据点i和j之间可直接连接，反之，数据点i和数据点j之间无法直接连接，按上述规则构成的初步拟合直线可以模拟高维空间中的低维状态；
[0015]S5、确定权重W，当数据点i和j直接相连时，wij＝1/nk,其中，nk表示第k类样本的数量,满足m是类别数量，当数据点i和j之间无法直接连接时，wij＝0；
[0016]S6、计算响应向量x，假设直线L的拟合可用直线x＝[x1,x2,......,x
N
]T
近似表示，并定义优化目标为
[0017][0018]s.t.x
T
Px＝1；
[0019]S7、正则化引入，对线性函数y
i
＝f(x
i
)＝q
T
x
i
，其中qk为的解，易看出，等价于求解一组线性方程(xx
T
+βI)q
k
＝xy
k
，其中I为同阶的单位矩阵；
[0020]为了提升性能，再引入核化概念，将原问题转换为求解正则核最小二乘的问题：(K+βI)p
k
＝y
k
；
[0021]S8、KLR算法应用，利用得到的特征向量构造投影矩阵Θ＝[q1,q2,...,q
m
‑
1]，KLR算法先通过拟合直线降低复杂度，再通过解最小二乘方程得到高维数据向低维数据映射的矩阵，样本数据通过下式转化到m
‑
1维子空间中；
[0022]x
→
z＝Θ[K(x1,x),...,K(x
n
,x)]T
；
[0023]S9、归一化处理，采用min
‑
max归一化法，对原始数据进行线性变换，将结果映射到[0,1]之间，公式如下：
[0024][0025]作为上述技术方案的进一步描述：
[0026]所述S1中，NSCT(Nonsubsampled Contourlet Transform)变换由两个部分组成，NSCT变换由Nonsubsampled金字塔(NSP：Nonsubsampled Pyramid)和Nonsubsampled方向滤波器(NSDFB)两个部分组成。
[0027]作为上述技术方案的进一步描述：
[0028]首先由NSP对输入图像进行塔形分解，以此来获得高通子带和低通子带两个部分，然后经过NSDFB的作用，高频子带将被分解为多个方向子带以待使用，而低频部分将被继续分解，直至最终。
[0029]作为上述技术方案的进一步描述：
[0030]所述S4中，KLR基于拟合直线和回归模型，通过把广义特征值分解转化为最小二乘拟合直线和回归问题，避免了分解矩阵的广义特征值过于繁琐复杂的问题，有效降低了降维困难和时间复杂度，同时，为了提升维数约简算法的性能，又引入正则化项。
[0031]作为上述技术方案的进一步描述：
[0032]所述S6中，令P
ii
＝∑
j
W
ji
＝diag(p1,p2,...,p
n
)，其中此可用来表示数据点i的加权度，通过线性变换，令B＝P
‑
W，可得，
[0033][0034]通过上式可看出，所构造特征方程的一解的特征向量x1中所有元素均为1，故只需进行求解剩下m
‑
1个特征向量。
[0035]作为上述技术方案的进一步描述：
[0036]所述S7中，上式中，qk为线性方程组的解，K是r阶克莱姆(cramer)矩阵Kij＝(xi,xj)，且Kij满足再生核希尔伯特空间空间的Mercer核矩阵，故记为HK，则可验证是下式正则核最小二乘问题的解：
[0037][0038]作为上述技术方案的进一步描述：
[0039]所述S9中，对训练集和测试集得到的低维特征矩阵归一化处理，并将归一化后的训练集和测试集的特征以及类别标签数据输入到SVM中进行分类识别。
[0040]综上所述，由于采用了上述技术方案，本专利技术的有益效果是：
[0041]本专利技术对于提出的特征提取方法进行论述及验证，解决了处理提取的高维的数据特征时复杂度高、效率低下等问题，为后续的钢箱梁裂纹检测的研究提供参考意义。
具体实施方式
[0042]下面将结合本专利技术实施例，对本专利技术实施例中的技术方案进行清楚、本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于KLR算法的钢箱梁裂纹检测效率优化方法，其特征在于，具体包括以下步骤：S1、NSCT变换提取特征；S2、获取图像中存在的奇异点，利用NSP对原图像进行多尺度分解可达成此目的，第一次NSP分解将图像分解为低频和高频两个部分，按照如上原则，进行递归，对低频部分做进一步的NSP分解，即可实现图像的多尺度分解；NSDFB是一个双通道的滤波器，利用NSDFB对经NSP分解后得到的高频分量进行多方向分解，将分布在同方向的奇异点合成NSCT的系数；S3、NSCT变换提取特征，具体实现步骤如下：S301、对每一幅样本图像进行NSCT分解，得到多个NSCT子带图像；S302、对得到的所有NSCT子带图像分别计算均值和方差统计量；S303、对每一幅样本图像的统计特征行向量从上到下拼接组成一个NSCT特征矩阵；S304、将所有图像区分为奇数号和偶数号，并将偶数号样本图像作为训练集，奇数号样本图像作为测试集，对两组数据集组成的特征矩阵归一化处理；S4、KLR算法降维，构造拟合直线L，选择n个有效点的作为拟合直线L备用数据，第i个数据点对应样本集中的Gi；如果i和j属于同一类样本时，则在数据点i和j之间可直接连接，反之，数据点i和数据点j之间无法直接连接，按上述规则构成的初步拟合直线可以模拟高维空间中的低维状态；S5、确定权重W，当数据点i和j直接相连时，wij＝1/nk,其中，nk表示第k类样本的数量,满足m是类别数量，当数据点i和j之间无法直接连接时，wij＝0；S6、计算响应向量x，假设直线L的拟合可用直线x＝[x1,x2,......,x
N
]
T
近似表示，并定义优化目标为s.t.x
T
Px＝1；S7、正则化引入，对线性函数y
i
＝f(x
i
)＝q
T
x
i
，其中qk为的解，易看出，等价于求解一组线性方程(xx
T
+βI)q
k
＝xy
k
，其中I为同阶的单位矩阵；为了提升性能，再引入核化概念，将原问题转换为求解正则核最小二乘的问题：(K+βI)p
k
＝y
k
；S8、KLR算法应用，利用得到的特征向量构造投影矩阵Θ＝[q1,q2,...,q
m
‑
1]
，KLR算法先通过拟合直线降低复杂度，再通过解最小二乘方程得到高维数据向低维数据映射的矩阵，样本数据通过下式转化到m
...

【专利技术属性】
技术研发人员：向卫，
申请(专利权)人：南京视测通机器人科技有限公司，
类型：发明
国别省市：