一种喷水推进器叶轮视觉检测方法技术

本发明专利技术公开了一种喷水推进器叶轮视觉检测方法，包括采用基于块匹配的叶轮图像降噪方法；利用大规模识别的超深卷积网络进行边缘检测。首先，采用基于块匹配的主成分分析方法对喷水推进器叶轮图像实施降噪处理，将降噪后的叶轮图像作为修剪过的类似用于大规模识别的超深卷积网络的卷积神经网络的输入，然后利用深度学习方法实施超深卷积网络的网络训练后得出输出值，获取船舶叶轮图像边缘点图像，实现喷水推进器叶轮图像运行状态或是故障情况监测，有效解决了传统边缘检测算法的结果数量大，所得信息过多或不足的问题。所得信息过多或不足的问题。

【技术实现步骤摘要】
一种喷水推进器叶轮视觉检测方法


[0001]本专利技术涉及图像处理
，尤其是一种喷水推进器叶轮视觉检测方法。

技术介绍

[0002]所谓图像边缘是指其样本图像中像素灰度值急剧变化的那些象素的集合，它是图像中最基本的特征，包含了图像的主要信息。边缘存在于图像中的目标、背景和区域之间，它是图像分割所依赖的最重要的依据。由于边缘是目标位置的标志，对灰度的变化不敏感，因此，边缘也是图像匹配的重要的特征。检测图像的边缘就能大幅度地减少数据量，并且剔除不相关的信息，保留了图像重要的结构属性。
[0003]喷水推进器叶轮工作时位于水下，想要获取水下推进器叶轮的运行状态或是故障情况比较困难；由于受到水下的情况所导致的光照、聚焦模糊、半影模糊和漫反射等因素的影响，即使能采集到图像也存在各种噪声，图像效果也不太理想；为了清晰地观测，我们不得不增加图像的分辨率，这样会导致数据量的增加，数据量也较大。采用图像边缘检测的视觉检测方法可以检测推进器叶轮的运行状态或是故障信息，既可以降低数据量，又可以保留主要的观测信息。
[0004]传统的边缘检测算法是研究图像像素邻域内灰度的变化，利用一阶导数的极大值或者二阶导数的过零点来检测边缘点，这些方法的定位精度在像素级。但是在水下光照和漫反射等不利因素的影响下，这些算法的结果，存在数量大，所得信息过多或是不足等现象，已不能满足我们的需求。

技术实现思路

[0005]为了克服现有技术中存在的上述问题，本专利技术提出一种喷水推进器叶轮视觉检测方法。
[0006]本专利技术解决其技术问题所采用的技术方案是：一种喷水推进器叶轮视觉检测方法，包括如下步骤：
[0007]步骤1，采用基于块匹配的叶轮图像降噪方法；
[0008]步骤2，利用大规模识别的超深卷积网络进行边缘检测。
[0009]上述的一种喷水推进器叶轮视觉检测方法，所述步骤1具体方法包括：
[0010]步骤1.1，求解图像矩阵的各行均值：
[0011][0012]其中，i,j代表像素点，a表示行数，Yi(j)表示(i,j)点像素值，μ
i
表示图像矩阵各行均值；
[0013]中心矩阵为：
[0014][0015]步骤1.2，求解图像矩阵的协方差矩阵：
[0016][0017][0018]其中，D
Y
表示特征值对角矩阵；a表示行数，m表示对角矩阵的阶数；
[0019]步骤1.3，生成投影矩阵；
[0020]步骤1.4，主成分分析反变换。
[0021]上述的一种喷水推进器叶轮视觉检测方法，所述步骤1.3中生成投影矩阵的公式为：
[0022][0023]其中，表示图像的特征向量矩阵。
[0024]上述的一种喷水推进器叶轮视觉检测方法，所述步骤2具体包括：
[0025]步骤2.1，不同尺度特征图像提取；
[0026]步骤2.2，将步骤2.1所得的特征图像叠加，得到特征数据集合；
[0027]步骤2.3，通过卷积操作使得最终输出结果通道数与原图一致，各权值通过网络训练自主学习，逐步接近最优权值配比，加权所得的输出就是网络学习和训练得到的最佳边缘特征结果；
[0028]步骤2.4，将降噪图像作为输入，通过学习训练输出水下推进器叶轮边缘检测结果。
[0029]上述的一种喷水推进器叶轮视觉检测方法，所述步骤2.1具体包括：超深卷积网络的每一个尺度的最后一个卷积层之后各引出一个侧输出，将生成的特征数据集合的深度降至一维，将每一组特征图合并成一个反映图像当前尺度特征的单一图像。
[0030]上述的一种喷水推进器叶轮视觉检测方法，所述步骤2.3中超深卷积网络的训练过程中，将侧输出层连接到每个级的最后一个卷积层。
[0031]上述的一种喷水推进器叶轮视觉检测方法，所述步骤2.3中删除了超深卷积网络的最后阶段，包括第5个池化层和所有完全连接的层；超深卷积网络中的反卷积层结合了双线性插值的输出。
[0032]本专利技术的有益效果是，本专利技术提出了一种基于主成分分析和深度学习的喷水推进器叶轮视觉检测方法方法，首先，本专利技术采用基于块匹配的主成分分析方法对喷水推进器叶轮图像实施降噪处理，将降噪后的叶轮图像作为修剪过的类似用于大规模识别的超深卷积网络的卷积神经网络的输入，然后利用深度学习方法实施超深卷积网络的网络训练后得出输出值，获取船舶叶轮图像边缘点图像，实现喷水推进器叶轮图像运行状态或是故障情况监测，有效解决了传统边缘检测算法的结果数量大，所得信息过多或不足的问题。
具体实施方式
[0033]为使本领域技术人员更好的理解本专利技术的技术方案，下面结合附图和具体实施方式对本专利技术作详细说明。
[0034]本实施例公开了一种基于主成分分析和深度学习的喷水推进器叶轮视觉检测方法方法，首先将采用基于块匹配的主成分分析的图像去噪方法对采集到叶轮图像实施去噪
处理，为叶轮图像边缘检测奠定基础。
[0035]首先将采样图像中需要去噪的像素点作为训练样本，变换求解流程为：
[0036]步骤1.1，求解图像矩阵的各行均值：
[0037][0038]其中，i,j代表像素点，，Y
i
(j)表示(i,j)点像素值，μ
i
表示图像矩阵各行均值；
[0039]中心矩阵为：
[0040][0041]步骤1.2，求解图像矩阵的协方差矩阵：
[0042][0043][0044]其中，D
Y
表示特征值对角矩阵；a表示行数，m表示对角矩阵的阶数；
[0045]步骤1.3，生成投影矩阵；
[0046][0047]其中，表示图像的特征向量矩阵。
[0048]步骤1.4，主成分分析反变换。
[0049]基于大规模识别的超深卷积网络的边缘检测：
[0050]在本专利技术中，采取了一个基于深度学习的边缘检测技术，这种技术可被称为整体嵌套边缘检测；它是一种基于学习的端到端边缘检测系统，使用修剪过的类似用于大规模识别的超深卷积网络的卷积神经网络进行图像到图像的预测任务。
[0051]具体而言，就是在网络的每一个尺度的最后一个卷积层之后各引出一个侧输出，共计引出5个不同尺寸的侧输出。以输入数据矩阵尺寸128
×
128
×
1为例，此时5个侧输出前端特征图的尺寸分别为128
×
128
×
64、64
×
64
×
128、32
×
32
×
256、16
×
16
×
512、8
×8×
512。由于每一个模块引出特征图的尺寸不同，网络采用了转置卷积对每一组得到的数据集合进行反卷积运算，分别将第二～第五组得到特征图的尺寸扩大了2～16倍，第一组特征图的尺寸保持不变。至此，网络在每个尺度上得到了相同尺寸本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种喷水推进器叶轮视觉检测方法，其特征在于：包括如下步骤：步骤1，采用基于块匹配的叶轮图像降噪方法；步骤2，利用大规模识别的超深卷积网络进行边缘检测。2.根据权利要求1所述的一种喷水推进器叶轮视觉检测方法，其特征在于，所述步骤1具体方法包括：步骤1.1，求解图像矩阵的各行均值：其中，i,j代表像素点，a表示行数，Y
i
(j)表示(i,j)点像素值，μ
i
表示图像矩阵各行均值；中心矩阵为：Y
i
＝Y
i
‑
μ
i
；步骤1.2，求解图像矩阵的协方差矩阵：步骤1.2，求解图像矩阵的协方差矩阵：其中，D
Y
表示特征值对角矩阵；a表示行数，m表示对角矩阵的阶数；步骤1.3，生成投影矩阵；步骤1.4，主成分分析反变换。3.根据权利要求2所述的一种喷水推进器叶轮视觉检测方法，其特征在于，所述步骤1.3中生成投影矩阵的公式为：其中，表示图像的特征向量矩阵。4.根据权利要求1所述的一种喷水推进器叶轮视觉检测方法，其特征...

【专利技术属性】
技术研发人员：石磊，周忠海，王启维，崔晓，
申请(专利权)人：山东省科学院海洋仪器仪表研究所，
类型：发明
国别省市：