图像识别与卷积神经网络结合的船舶裂缝图像处理技术
发布时间：2021-12-22 22:46
裂缝是船舶致命的缺陷,不仅会降低舰船的防水性能,严重时还会导致整个船体的结构破裂,导致船舶沉没等严重事故。因此,在船舶的生产与制造过程中及时对船舶的裂缝进行识别,在船舶的正常运行维护中提早发现船舶的裂缝缺陷并处理,具有重要意义。传统的船舶裂缝识别主要靠超声波探测等技术,效率低,为了改善这一现状,本文研究了一种基于图像识别与卷积神经网络的船舶裂缝图像识别系统,分别从图像识别技术和神经网络算法进行了相关的阐述。
【文章来源】：舰船科学技术. 2020,42(14)北大核心
【文章页数】：3 页
【部分图文】：
基于卷积神经网络的图像处理原理Fig.1Imageprocessingprinciplebasedonconvolutionalneuralnetwork
i)u,v。(4)2基于图像识别与卷积神经网络的船舶裂缝图像处理技术2.1船舶裂缝图像识别系统的整体设计与工作流程本文结合卷积神经网络算法，设计一种船舶裂缝图像的自动识别系统，该系统主要分为3个模块，分别是照片数据管理模块、裂缝图像自动检测模块和裂缝图像辅助检测模块，其中，照片数据管理模块主要功能是进行裂缝识别图像的存储和图像识别结果的查询。裂缝自动检测模块和辅助检测模块的主要功能包括图像预处理和特征提龋图2为基于卷积神经网络的船舶裂缝图像自动检测系统构成。图2基于卷积神经网络的裂缝图像自动检测系统Fig.2Automaticcrackdetectionsystembasedonconvolutionneuralnetwork在裂缝自动检测和辅助检测模块中，船舶裂缝图像的图像增强、区域分割、噪声过滤和缺陷特征检测是四个关键环节。1）图像增强图像增强的目的是提高船舶焊缝图像的质量，使后续图像处理和特征提取的效率更高。常用的图像增强方法包括灰度变换法、模糊算法等。图像增强过程中，使船舶焊缝与背景的差异程度更大，也有利于焊缝的快速识别。2）区域分割区域分割的主要目的是将含有焊缝的图像从原始图像中分离出来，从而降低后续图像处理的工作量，提高效率。区域分割的方法是在焊缝附近的像素保留原始的灰度值，在离焊缝相对较远的图像位置，将灰度值设置为零。3）噪声过滤船舶焊缝图像中由于光照、天气以及拍摄角度的原因，可能存在一些噪声像素，由于船舶图像中焊缝的边界亮度较高，与噪声像素的相似程度大，因此，需要利用不同的噪声过滤算法去除图像中的噪声。比如采用高斯滤波去除图像中的高斯噪声。·92·舰船科学技术第42卷
)为图像的灰度直方图。ρt(x)s(x)=ρt(x)ρ(x)定义灰度转换后的图像概率密度函数为，则图像的转换函数为，公式两侧积分可得到图像灰度均衡方程如下：S(x)=t0ρt(u)ρ(u)du=1A0h(u)du。(7)相对于传统的图像识别与处理算法，比如基于数据迭代的图像识别技术，卷积神经网络在船舶裂缝图像的处理上有明显的优势，能够快速定位船舶裂纹图像的区域。图4(a)为传统图像识别技术获得的船舶裂缝图像，图4(b)为基于卷积神经网络算法的船舶裂缝识别图像。图4裂缝图像识别系统对某裂缝的识别过程Fig.4Recognitionprocessofacrackbycrackimagerecognitionsystem可以明显看出，基于卷积神经网络算法的船舶裂缝图像识别能够使裂缝更加明显，提高裂缝识别的精度和效率。3结语船舶生产和使用过程中，裂缝缺陷检测对于船舶的使用寿命和安全有重要的意义。本文研究的主要内容是舰船裂缝图像的处理与特征识别，结合卷积神经网络算法设计一种裂缝图像的自动识别系统，在船舶裂缝图像识别中取得了良好的效果。参考文献：刘洪公,王学军,李冰莹,等.基于卷积神经网络的桥梁裂缝检测与识别[J].河北科技大学学报,2016,37(5):485–490.[1]高尚兵,颉正,潘志庚,等.一种新的路面裂缝自动检测算法[J].系统仿真学报,2017(9):2009–2015.[2]李良福,马卫飞,李丽,等.基于深度学习的桥梁裂缝检测算法研究[J].自动化学报,2019,45(9):1727–1742.[3]第42卷胡晓芳，等：图像识别与卷积神经网络结合的船舶裂缝图像处理技术·93·
【参考文献】：
期刊论文
[1]基于深度学习的桥梁裂缝检测算法研究[J]. 李良福,马卫飞,李丽,陆铖. 自动化学报. 2019(09)
[2]一种新的路面裂缝自动检测算法[J]. 高尚兵,颉正,潘志庚,覃方哲,李锐. 系统仿真学报. 2017(09)
[3]基于卷积神经网络的桥梁裂缝检测与识别[J]. 刘洪公,王学军,李冰莹,孟洁. 河北科技大学学报. 2016(05)
本文编号：3547246
【文章来源】：舰船科学技术. 2020,42(14)北大核心
【文章页数】：3 页
【部分图文】：
基于卷积神经网络的图像处理原理Fig.1Imageprocessingprinciplebasedonconvolutionalneuralnetwork
i)u,v。(4)2基于图像识别与卷积神经网络的船舶裂缝图像处理技术2.1船舶裂缝图像识别系统的整体设计与工作流程本文结合卷积神经网络算法，设计一种船舶裂缝图像的自动识别系统，该系统主要分为3个模块，分别是照片数据管理模块、裂缝图像自动检测模块和裂缝图像辅助检测模块，其中，照片数据管理模块主要功能是进行裂缝识别图像的存储和图像识别结果的查询。裂缝自动检测模块和辅助检测模块的主要功能包括图像预处理和特征提龋图2为基于卷积神经网络的船舶裂缝图像自动检测系统构成。图2基于卷积神经网络的裂缝图像自动检测系统Fig.2Automaticcrackdetectionsystembasedonconvolutionneuralnetwork在裂缝自动检测和辅助检测模块中，船舶裂缝图像的图像增强、区域分割、噪声过滤和缺陷特征检测是四个关键环节。1）图像增强图像增强的目的是提高船舶焊缝图像的质量，使后续图像处理和特征提取的效率更高。常用的图像增强方法包括灰度变换法、模糊算法等。图像增强过程中，使船舶焊缝与背景的差异程度更大，也有利于焊缝的快速识别。2）区域分割区域分割的主要目的是将含有焊缝的图像从原始图像中分离出来，从而降低后续图像处理的工作量，提高效率。区域分割的方法是在焊缝附近的像素保留原始的灰度值，在离焊缝相对较远的图像位置，将灰度值设置为零。3）噪声过滤船舶焊缝图像中由于光照、天气以及拍摄角度的原因，可能存在一些噪声像素，由于船舶图像中焊缝的边界亮度较高，与噪声像素的相似程度大，因此，需要利用不同的噪声过滤算法去除图像中的噪声。比如采用高斯滤波去除图像中的高斯噪声。·92·舰船科学技术第42卷
)为图像的灰度直方图。ρt(x)s(x)=ρt(x)ρ(x)定义灰度转换后的图像概率密度函数为，则图像的转换函数为，公式两侧积分可得到图像灰度均衡方程如下：S(x)=t0ρt(u)ρ(u)du=1A0h(u)du。(7)相对于传统的图像识别与处理算法，比如基于数据迭代的图像识别技术，卷积神经网络在船舶裂缝图像的处理上有明显的优势，能够快速定位船舶裂纹图像的区域。图4(a)为传统图像识别技术获得的船舶裂缝图像，图4(b)为基于卷积神经网络算法的船舶裂缝识别图像。图4裂缝图像识别系统对某裂缝的识别过程Fig.4Recognitionprocessofacrackbycrackimagerecognitionsystem可以明显看出，基于卷积神经网络算法的船舶裂缝图像识别能够使裂缝更加明显，提高裂缝识别的精度和效率。3结语船舶生产和使用过程中，裂缝缺陷检测对于船舶的使用寿命和安全有重要的意义。本文研究的主要内容是舰船裂缝图像的处理与特征识别，结合卷积神经网络算法设计一种裂缝图像的自动识别系统，在船舶裂缝图像识别中取得了良好的效果。参考文献：刘洪公,王学军,李冰莹,等.基于卷积神经网络的桥梁裂缝检测与识别[J].河北科技大学学报,2016,37(5):485–490.[1]高尚兵,颉正,潘志庚,等.一种新的路面裂缝自动检测算法[J].系统仿真学报,2017(9):2009–2015.[2]李良福,马卫飞,李丽,等.基于深度学习的桥梁裂缝检测算法研究[J].自动化学报,2019,45(9):1727–1742.[3]第42卷胡晓芳，等：图像识别与卷积神经网络结合的船舶裂缝图像处理技术·93·
【参考文献】：
期刊论文
[1]基于深度学习的桥梁裂缝检测算法研究[J]. 李良福,马卫飞,李丽,陆铖. 自动化学报. 2019(09)
[2]一种新的路面裂缝自动检测算法[J]. 高尚兵,颉正,潘志庚,覃方哲,李锐. 系统仿真学报. 2017(09)
[3]基于卷积神经网络的桥梁裂缝检测与识别[J]. 刘洪公,王学军,李冰莹,孟洁. 河北科技大学学报. 2016(05)
本文编号：3547246
本文链接：https://www.wllwen.com/kejilunwen/chuanbolw/3547246.html
