基于BP神經(jīng)網(wǎng)絡的管道缺陷識別

劉恩東

摘 要 為了能夠自適應地識別管道內(nèi)部缺陷，針對目前管道內(nèi)部圖像須有人工實時檢測的弊端，提出了一種以機器學習完成缺陷分類的方法。該方法通過訓練好的 BP 人工神經(jīng)網(wǎng)絡智能識別管道內(nèi)缺陷及其種類，通過圖像處理技術提取管道內(nèi)各參數(shù)，最后利用管道內(nèi)邊緣周長、面積、輝度等參數(shù)識別缺陷類型。實例應用結果表明： 該方法能夠有效地識別異物、裂紋、堵塞。

【關鍵詞】BP神經(jīng)網(wǎng)絡 管道缺陷 缺陷分類

目前，通過圖像處理的方式進行模式識別已成為新的研究熱點，并廣泛應用于識別汽車車牌、手寫漢字、水位線、水稻品質及各種工業(yè)產(chǎn)品等領域。在城市管道檢測技術方面，現(xiàn)多采用由管道機器人對待測管道進行內(nèi)部信息采集，再由人工進行實時的觀測并進行判斷。但是，由人工對管道內(nèi)部問題進行判斷，其判斷的主觀性與遺漏的可能性都是難以避免的。針對這一情況，通過人工智能算法—BP神經(jīng)網(wǎng)絡對已獲取的圖像信息進行處理，從而得到管道內(nèi)部的缺陷類型，不僅降低了系統(tǒng)操作人員的勞動強度，而且從整體上提高了缺陷分類軟件的易用性和可移植性。

監(jiān)控中視頻處理的過程如圖1所示，本項目將在圖像處理技術的基礎上通過BP神經(jīng)網(wǎng)絡著重對分類識別的部分進行研究，以達到機器智能檢測的目的。

1 圖像的預處理

1.1 管道內(nèi)部缺陷樣本的采集

建立管道內(nèi)部缺陷庫，是進行管道內(nèi)部缺陷識別的必要條件。同時也是對識別方法進行客觀測試，估計其性能，評價其優(yōu)缺點的根本依據(jù)。采集樣本時應符合大多數(shù)管道問題的實際情況，反映各種管道材料、直徑、形狀的特征等。

較差的學習樣本不但會導致網(wǎng)絡的錯誤映射關系，而且還可能會使該網(wǎng)絡的學習過程不收斂， 因此采集學習樣本對于BP神經(jīng)網(wǎng)絡系統(tǒng)的學習和訓練尤為重要。本實驗采集學習樣本的原則為：

1.1.1 代表性

所用樣本需要起到以點帶面的作用，應當體現(xiàn)出輸入輸出關系，如選用特征突出的樣本，只有通過具有代表性的學習樣本所訓練出來的BP神經(jīng)網(wǎng)絡才能很好的映射輸入輸出的關系。

1.1.2 廣泛性

所用樣本應能提供該BP網(wǎng)絡各種情況下的輸入，廣泛的樣本可使訓練出來的BP網(wǎng)絡具有良好的適應力，這對于管道內(nèi)部缺陷識別與分類來說是非常重要的。

1.1.3 緊湊性

若學習樣本含有較多的無效成分會導致學習過程難以收斂，從而導致訓練出來的網(wǎng)絡會產(chǎn)生錯誤的映射，使網(wǎng)絡輸出過多偏向無效學習成分所形成的錯誤的映射關系。

1.2 歸一化處理

管道缺陷種類繁雜，缺陷特征各不相同，即使是常見缺陷也會因大小和分布的不同而有所差異，所以在進行缺陷識別前需要對其進行歸一化處理。缺陷的歸一化處理可分為線性和非線性兩種。進行歸一化處理是為了是消除由于管道自身缺陷而帶來的識別問題，從而進一步的為提取特征和分類器識別打下良好的基礎。

通過線性歸一化的方式將其歸一化為統(tǒng)一大小的圖像，歸一化后的圖像可以表示為：

其中，width和height分別表示未歸一化時原圖像的寬與高，W與H則表示規(guī)一化后圖像所對應的寬和高，A（水平）、B（垂直）分別表示原圖像的左上角與規(guī)一化后矩形框左上角的距離。

線性歸一化算法較為簡單，即將圖像按一定比例線性調整為同一尺寸，可以保有原圖像的形狀與特征（幾乎無失真），但是無法改變圖像的亮度與清晰度等屬性；非線性歸一化是按照管道內(nèi)部的特征分布來處理、調整清晰度，削弱那些偏亮、偏暗的區(qū)域，或是像素密集的區(qū)域，壓縮像素分散的區(qū)域。

1.3 平滑去噪處理

各種噪聲可能存在于樣本圖像中，如高斯噪聲、白噪聲等。圖像的平滑化，即消除樣本圖像中的噪聲成分，是圖像增強技術中的一種。該操作可達到兩個目的：

（1）按特定的需要突出圖像中的特定信息；

（2）消除視頻圖像在輸入時混入的噪聲，以適應計算機的處理。

圖像平滑化處理的要求有：

（1）不能損壞圖像的邊緣輪廓及線條等重要信息；

（2）使圖像清晰。

平滑處理的方法分為：

（1）空間域法（時域），其中空間域法又分為線性和非線性濾波器；

（2）頻域法一般需要對圖像進行一次正向的數(shù)學變換（通常離散傅立葉變換，也可以為拉氏變換或Z變換）和一次反向的數(shù)學逆變換。

2 BP神經(jīng)網(wǎng)絡的運用

許多學者對BP神經(jīng)網(wǎng)絡的算法及結構進行過優(yōu)化，有人提出：神經(jīng)網(wǎng)絡好比是一種自適應機器，神經(jīng)網(wǎng)絡是一個由若干簡單處理單元所共同組成的大型分布式處理器，因此具有存儲經(jīng)驗知識（記憶性）和使之可用（有用性）的特性。神經(jīng)網(wǎng)絡與人腦的相似之處有兩個：

（1）所獲取的知識都由外界環(huán)境學習而來；

（2）突觸權值（神經(jīng)元間的相互連接強度）用于儲存所獲取的知識。

2.1 BP神經(jīng)網(wǎng)絡的簡介

人工神經(jīng)網(wǎng)絡是根據(jù)模仿動物神經(jīng)網(wǎng)絡的行為特征，進行分布式并行處理算法的一種數(shù)學模型。這種網(wǎng)絡在處理信息時是通過調整內(nèi)部大量節(jié)點之間相互連接的關系所實現(xiàn)的。而BP（Back Propagation）神經(jīng)網(wǎng)絡模型是由Rumelhart和Mccdknd為首的科學家小組提出是一種按誤差逆?zhèn)鞑ニ惴ㄓ柧毜亩鄬忧梆伨W(wǎng)絡。其憑借著強大的聯(lián)想能力、容錯能力以及自組織能力，成為現(xiàn)階段應用最為廣泛的神經(jīng)網(wǎng)絡之一 。BP神經(jīng)網(wǎng)絡最大特點僅依靠樣本輸入、輸出數(shù)據(jù)，不借助系統(tǒng)的基本物理定律，就能實現(xiàn)由Rn空間（n個輸入節(jié)點）到Rm空間（m個輸出節(jié)點）的高度非線性映射。

2.2 BP網(wǎng)絡模型

BP神經(jīng)網(wǎng)絡是一種反饋前向型的神經(jīng)網(wǎng)絡，也是一種典型的多層前向型網(wǎng)絡，通過網(wǎng)絡內(nèi)各層之間的權值與結構表示出復雜的非線性1/0映射關系，BP神經(jīng)網(wǎng)絡同時具有較好的自我學習功能，能夠通過誤差的反饋算法，比照已有的樣本進行重復訓練，調整網(wǎng)絡內(nèi)各層間的權值，直到該網(wǎng)絡的1/0關系在某個訓練指標下與樣本最為接近。一個典型的BP神經(jīng)網(wǎng)絡應包含輸入層、中間層（也稱隱層）和輸出層，不同層之間相互連接，層內(nèi)神經(jīng)元之間無連接。其中隱含層可以為一層或多層。每一層都由互不連接的若干個神經(jīng)元組成。相鄰兩層的每一個神經(jīng)元之間的關系由權值所決定，權值的大小直觀地反映了兩個神經(jīng)元間的連接強弱，整個BP網(wǎng)絡的計算流程是由輸入層-中間層-輸出層單向前進，因而屬于前向型網(wǎng)絡。

2.3 BP網(wǎng)絡原理

典型的BP網(wǎng)絡分為三層，即輸入層、隱含層和輸出層。其算法主要由以下四部分組成，即模式順傳播——誤差逆?zhèn)鞑ァ洃浻柧殹獙W習收斂。

2.3.1 模式順傳播

2.3.2 誤差的逆?zhèn)鞑?/p>

根據(jù)輸出層產(chǎn)生的誤差，經(jīng)中間層向輸入層傳播，在這個過程中，按照梯度下降原則對各層的權值和閾值進行誤差校正。

所以，按照梯度下降原則，可得到輸出層各單元的閾值調整量為：

（1）中間層到輸入層計算：

權值調整量計算：

按照梯度下降原則，可得到連接權值的調整量為：

閾值調整量計算：

按照梯度下降原則，可得到輸出層各單元的閾值調整量為：

以上的推導為標準差逆?zhèn)鬟f的算法，其中各連接權值的改變量分別與各個學習模式所對應的誤差Ek成比例變化。而相對于全局誤差

的連接權調整，需要在完成m個學習模式后統(tǒng)一進行，這是累積誤差逆?zhèn)鬟f的算法。一般來講，當樣本較少時，累積誤差傳遞算法要比標準誤差傳遞算法速度快。

2.3.3 記憶訓練

給出一組樣板反復進行學習，調整權值和閾值的大小以使輸出值滿足一定的精度要求。

2.3.4 網(wǎng)絡收斂

經(jīng)由多次訓練，BP神經(jīng)網(wǎng)絡的整體誤差趨向于最小值。

由于BP算法采用了按誤差函數(shù)梯度下降的方向進行收斂，因此，可能使迭代陷入局部極小點，BP網(wǎng)絡收斂依賴于樣本的初始位置，適當改變隱層單元個數(shù)，或給每個權值加上一個很小的隨機數(shù)，都可使收斂過程避免局部極小點。

3 結語

本文提出的基于圖像處理和BP神經(jīng)網(wǎng)絡技術的管道缺陷識別方法，可以通過BP神經(jīng)網(wǎng)絡完成機器視覺的學習，使管道機器人能夠自主判斷出管道內(nèi)部是否存在缺陷，并進一步區(qū)分出管道接口滲漏、錯口、管道腐蝕、管身穿孔、支管、淤積、結垢、障礙物等缺陷類型，完成整個智能檢測。同時，該方法也存在一定的誤識別率，這與訓練樣本的豐富程度與待測管道的內(nèi)部環(huán)境密切相關。

參考文獻

[1]張小偉，解智強，侯至群，等.一種基于BP神經(jīng)網(wǎng)絡耦合排水管線信息的城市河道風險評價研究[J].測繪通報，2014（12）：93-96.

[2]彭向前.產(chǎn)品表面缺陷在線檢測方法研究及系統(tǒng)實現(xiàn)[D].華中科技大學，2008.

[3]王雪梅.基于神經(jīng)網(wǎng)絡的冷軋帶鋼表面缺陷識別分類技術研究[D].電子科技大學，2006.

[4]吳斌，齊文博，何存富，等.基于神經(jīng)網(wǎng)絡的超聲導波鋼桿缺陷識別[J].工程力學，2013（02）：470-476.

[5]童文俊.BP神經(jīng)網(wǎng)絡在板形缺陷識別中的應用[D].江南大學，2008.

[6]劉彩紅.BP神經(jīng)網(wǎng)絡學習算法的研究[J].西安工業(yè)大學學報，2012，32（09）：723-727.

[7]張弦.基于數(shù)據(jù)并行的BP神經(jīng)網(wǎng)絡訓練算法[D].華中科技大學，2008.

[8]黃良炯.供水管道表面損傷特征提取及其評價技術研究[D].哈爾濱工業(yè)大學，2008.

[9]王賡.基于BP神經(jīng)網(wǎng)絡的脫機手寫漢字識別研究[D].天津師范大學，2009.

[10]余本國.BP神經(jīng)網(wǎng)絡局限性及其改進的研究[J].山西農(nóng)業(yè)大學學報：自然科學版，2009，29（01）：89-93.

[11]李炯城，黃漢雄.一種新的快速BP神經(jīng)網(wǎng)絡算法——QLMBP[J].華南理工大學學報：自然科學版，2006，34（06）：49-54.

[12]吳凌云.BP神經(jīng)網(wǎng)絡學習算法的改進及其應用[J].信息技術，2003，27（07）：42-44.

[13]彭松，方祖祥.BP神經(jīng)網(wǎng)絡學習算法的聯(lián)合優(yōu)化[J].電路與系統(tǒng)學報，2000，5（03）：26-30.

作者單位

江漢大學物理與信息工程學院 湖北省武漢市 430056