基于BP神經(jīng)網(wǎng)絡(luò)的水下管道圖像識(shí)別與判斷技術(shù)研究

【摘要】本文主要深入探討了如何通過(guò)采用神經(jīng)網(wǎng)絡(luò)進(jìn)行數(shù)字圖像處理的技術(shù)對(duì)利用auv數(shù)字圖像技術(shù)拍攝的大量海底淺層紋理樣本進(jìn)行數(shù)字圖像處理，獲得一個(gè)具有包括大量水下輸油管道、巖石、沙灘和海底紋理溝壑等圖像樣本紋理特征的海底紋理圖像樣本庫(kù)，并用bp神經(jīng)網(wǎng)絡(luò)對(duì)這些圖像樣本紋理特征進(jìn)行分析訓(xùn)練，以獲得高質(zhì)量的海底紋理神經(jīng)網(wǎng)絡(luò)模型。利用該紋理神經(jīng)網(wǎng)絡(luò)處理技術(shù)不僅可大大提高對(duì)水下輸油管道中的海底紋理圖像的樣本視覺(jué)判斷準(zhǔn)確率以及處理工作效率，還可大幅增強(qiáng)現(xiàn)有auv圖像視覺(jué)處理系統(tǒng)的圖像工作處理性能。

【關(guān)鍵詞】神經(jīng)網(wǎng)絡(luò);圖像識(shí)別;水下管道

一、引言

自主式水下海洋機(jī)器人（autonomous under water sea vehicle，auv）主要是幫助人們進(jìn)行探索海洋資源和進(jìn)行其他海洋科學(xué)活動(dòng)的重要輔助工具。由于auv具有獨(dú)特區(qū)位優(yōu)勢(shì)，其在我國(guó)海底地下石油油氣管線安全巡檢工作中正發(fā)揮著越來(lái)越大的作用。auv在實(shí)際工作時(shí)需要實(shí)現(xiàn)管道軌跡追蹤和國(guó)際海洋巡航軌跡探測(cè)規(guī)劃，主要依靠電子聲學(xué)或鐳射光學(xué)等探測(cè)手段。

當(dāng)管道企業(yè)進(jìn)行auv水下管道作業(yè)時(shí)，在距離水下管道施工漏水目標(biāo)較近時(shí)，auv的水下管道軌跡成像和實(shí)時(shí)漏水處理儀在監(jiān)控系統(tǒng)中實(shí)時(shí)跟蹤漏水目標(biāo)，生成較為清晰的水下管道漏水軌跡處理圖像，同時(shí)進(jìn)行管道實(shí)時(shí)跟蹤數(shù)據(jù)分析存儲(chǔ)。這些水下管道軌跡圖像除了前期希望能實(shí)時(shí)跟蹤，同時(shí)能夠?qū)崿F(xiàn)各種立體光學(xué)水下管道漏水軌跡實(shí)時(shí)成像以及導(dǎo)航，后期還希望通過(guò)實(shí)時(shí)跟蹤，幫助水下管道施工技術(shù)人員實(shí)時(shí)分析管道企業(yè)施工水下管道的管體漏水部件狀態(tài)，判斷企業(yè)水下管道的裸露管體表層受到腐蝕和管道漏水部件破壞嚴(yán)重度，給管道企業(yè)做好后續(xù)水下管道作業(yè)施工漏水管理工作提供重要技術(shù)參考和數(shù)據(jù)分析得科學(xué)依據(jù)。另一方面，由于水下生態(tài)環(huán)境較為復(fù)雜，auv水下生態(tài)環(huán)境攝影成像質(zhì)量檢測(cè)處理系統(tǒng)進(jìn)行拍攝所用的水下攝影機(jī)和底片常常多少都會(huì)同時(shí)包含了一些具有各種不同典型的低噪點(diǎn)和復(fù)雜性的背景物。因此，為了大大提高水下管道圖片同步成像和實(shí)時(shí)信息處理遠(yuǎn)程監(jiān)控信息系統(tǒng)的實(shí)時(shí)成像工作系統(tǒng)運(yùn)行管理質(zhì)量和信息處理工作效率，有必要對(duì)水下管道圖片實(shí)時(shí)圖像信息進(jìn)行高效實(shí)時(shí)化和數(shù)字化并行成像追蹤處理，以準(zhǔn)確獲取信息，實(shí)現(xiàn)auv對(duì)水下管道的高效實(shí)時(shí)成像處理追蹤和水下實(shí)時(shí)成像巡檢。

為了更好實(shí)現(xiàn)這一研究目的，本文首先深入研究了可以采用水下圖像分析信號(hào)分類處理的多種方法對(duì)水下分類圖像信號(hào)進(jìn)行分類處理，通過(guò)利用計(jì)算機(jī)數(shù)字圖像處理，本文分析獲得了大量?jī)?yōu)質(zhì)的可廣泛用于圖像分析的水下分類圖像;其次，本文研究利用分類神經(jīng)網(wǎng)絡(luò)的多種相關(guān)識(shí)別方法，選取最高效得新型bp分類神經(jīng)網(wǎng)絡(luò)，采用它對(duì)分析獲得的水下分類圖像信號(hào)進(jìn)行不同分類信號(hào)識(shí)別。經(jīng)過(guò)多種網(wǎng)絡(luò)分析訓(xùn)練，獲得了一種具有較好圖像分類識(shí)別效果的新型bp分類神經(jīng)網(wǎng)絡(luò)，可以對(duì)不同分類目標(biāo)物的水下圖像信號(hào)進(jìn)行不同分類信號(hào)識(shí)別。

二、水下圖像數(shù)字處理技術(shù)

要對(duì)水下圖像進(jìn)行分析和識(shí)別，首先需要大量包含豐富信息的優(yōu)質(zhì)數(shù)字圖像，以便進(jìn)一步的分析。本文將收集的水下圖像進(jìn)行基于灰度變換、中值濾波、模糊增強(qiáng)和閾值化等數(shù)字處理技術(shù)的前期處理，以獲得可以更好為后期分類識(shí)別可用的訓(xùn)練圖像數(shù)據(jù)。

三、基于BP神經(jīng)網(wǎng)絡(luò)的水下圖像的分類和識(shí)別

3.1 BP神經(jīng)網(wǎng)絡(luò)水下圖像識(shí)別的基本原理

要對(duì)水下圖像進(jìn)行機(jī)器識(shí)別必須先對(duì)其圖像特征進(jìn)行描述。根據(jù)目前相關(guān)技術(shù)研究成果文獻(xiàn)，本文通過(guò)選擇海底圖像中輸油目標(biāo)物體的長(zhǎng)徑百分比、伸縮線長(zhǎng)度、圓形度、一階矩和不變矩4個(gè)主要特征參數(shù)可用來(lái)對(duì)水下輸油目標(biāo)中最常見(jiàn)的輸油管道、分布在含有大量石塊的深海海底、海底沿岸沙灘、海底排水溝壑進(jìn)行特征刻畫(huà);通過(guò)研究這4類特征參數(shù)在不同圖像中的不同值，來(lái)確定水下樣片中的核心圖像為管道還是巖石、溝壑等物。Bp神經(jīng)網(wǎng)絡(luò)——基于反饋反射神經(jīng)網(wǎng)絡(luò)的新技術(shù)，也即后來(lái)的發(fā)射反饋型和反射耦合神經(jīng)網(wǎng)絡(luò)，是當(dāng)前流行的屬于技術(shù)改進(jìn)型的基于反饋反射神經(jīng)網(wǎng)絡(luò)。該基于反饋反射神經(jīng)網(wǎng)絡(luò)的新技術(shù)已經(jīng)可以以任意的連續(xù)處理狀態(tài)精度非?？焖俚乇平我庖粋€(gè)連續(xù)處理狀態(tài)下的函數(shù)。利用新的bp反饋神經(jīng)網(wǎng)絡(luò)技術(shù)將可以很好地幫助實(shí)現(xiàn)狀態(tài)預(yù)測(cè)和函數(shù)分類等很多種常用功能。本文主要采用新型的bp模型神經(jīng)網(wǎng)絡(luò)，以經(jīng)過(guò)現(xiàn)代數(shù)字視頻技術(shù)和圖像處理后的水下不動(dòng)圖像分析為主要研究檢測(cè)對(duì)象，以圖像長(zhǎng)徑百分比、伸直線長(zhǎng)度、圓形度、一階不動(dòng)畸變矩為數(shù)值判定主要指標(biāo)，對(duì)圖像進(jìn)行了分類識(shí)別研究。從通過(guò)采用前文已經(jīng)介紹過(guò)的方法分析采集并得到的水下數(shù)字圖像中，選擇出其中的10組照片作為mabp用于網(wǎng)絡(luò)現(xiàn)象研究的圖像樣本，通過(guò)matlab方法計(jì)算每張照片的圖像類型中的4個(gè)樣本特征參數(shù)，獲得每張圖像樣本類型與每個(gè)特征參數(shù)的相互關(guān)系。

3.2定義輸入和輸出樣本數(shù)據(jù)

（1）采用統(tǒng)計(jì)數(shù)據(jù)分析定義每個(gè)輸入進(jìn)來(lái)數(shù)據(jù)點(diǎn)在本次樣本分析中的統(tǒng)計(jì)數(shù)據(jù)。大概方法簡(jiǎn)單描述如下。從每組數(shù)據(jù)中將10組數(shù)據(jù)輸入后從數(shù)據(jù)中隨機(jī)順序依次選擇6組（單位數(shù)據(jù)輸入序號(hào)和單位數(shù)據(jù)量分別為：1、3、6、7、8、10）并以數(shù)據(jù)序號(hào)作為首次輸入的一組數(shù)據(jù)計(jì)算樣本，對(duì)每組數(shù)據(jù)經(jīng)過(guò)數(shù)據(jù)歸一化以后再依次輸入一組數(shù)據(jù)到計(jì)算處理軟件matlab中做統(tǒng)計(jì)值計(jì)算。

（2）對(duì)信號(hào)輸出端的狀態(tài)信號(hào)進(jìn)行自動(dòng)編碼。輸出向量為四維函數(shù)向量，定義器中說(shuō)明期望加入的輸出維向量。

（3）如何快速構(gòu)建一個(gè)基于bpcp模型的神經(jīng)網(wǎng)絡(luò)：由于本文所述需要構(gòu)建的模型神經(jīng)網(wǎng)絡(luò)的集成電路信號(hào)輸入和神經(jīng)網(wǎng)絡(luò)信號(hào)輸出電路結(jié)構(gòu)設(shè)計(jì)情況較為簡(jiǎn)單，為了有效地簡(jiǎn)化網(wǎng)絡(luò)結(jié)構(gòu)，提高神經(jīng)網(wǎng)絡(luò)進(jìn)行運(yùn)算時(shí)的運(yùn)行處理速度，本文采用包含一個(gè)網(wǎng)絡(luò)隱含的底層網(wǎng)絡(luò)結(jié)構(gòu)的bp神經(jīng)網(wǎng)絡(luò)的構(gòu)建模型。其中，網(wǎng)絡(luò)輸入單元為4種水下圖像的特征參數(shù)，輸出單元為4種海底圖像形貌。根據(jù)隱含網(wǎng)絡(luò)層分為4-x-4結(jié)構(gòu)層的形式，由網(wǎng)絡(luò)經(jīng)驗(yàn)計(jì)算公式我們可以知道在隱含網(wǎng)絡(luò)層每個(gè)節(jié)點(diǎn)群的數(shù)量大小為3～13之間的均方差值，計(jì)算每個(gè)均方差值點(diǎn)所對(duì)應(yīng)的均方表征值和神經(jīng)網(wǎng)絡(luò)系統(tǒng)性能的均方誤差值（mse），可以知道每當(dāng)網(wǎng)絡(luò)隱含第一層網(wǎng)絡(luò)層每個(gè)節(jié)點(diǎn)群的數(shù)為4時(shí)，得到的均方mse值最小為26，因此，網(wǎng)絡(luò)的隱含層每個(gè)節(jié)點(diǎn)群的節(jié)點(diǎn)數(shù)選為4。本文所用的bp神經(jīng)網(wǎng)絡(luò)主要傳遞函數(shù)分別為"logsig"和"purelin"函數(shù)。

（4）對(duì)bp神經(jīng)網(wǎng)絡(luò)的功能訓(xùn)練。在matlab中本文應(yīng)用模擬輸入和實(shí)際輸出兩個(gè)樣本誤差向量對(duì)每個(gè)網(wǎng)格模型進(jìn)行誤差訓(xùn)練，定義每個(gè)期望值的誤差范圍為1e-6。訓(xùn)練執(zhí)行過(guò)程中，bp神經(jīng)網(wǎng)絡(luò)經(jīng)過(guò)13次迭代替換之后已經(jīng)達(dá)到了令人滿意的精度期望值和減小誤差的極限。

（5）利用 BP 神經(jīng)網(wǎng)絡(luò)進(jìn)行水下圖像的分類判斷。下面我們利用所有的10個(gè)測(cè)試樣本對(duì)本次訓(xùn)練中輸出的各種神經(jīng)網(wǎng)絡(luò)測(cè)試數(shù)據(jù)進(jìn)行一次測(cè)試數(shù)據(jù)檢驗(yàn)。在matlab中我們輸入了在前面幾個(gè)步驟歸一化后的所有樣本數(shù)據(jù)，獲得網(wǎng)絡(luò)的輸出數(shù)據(jù)，經(jīng)過(guò)整理，分類判斷結(jié)果準(zhǔn)確度較高。從測(cè)試結(jié)果可看到，經(jīng)過(guò)訓(xùn)練后的 BP 神經(jīng)網(wǎng)絡(luò)可以很好地對(duì)各個(gè)樣本的狀態(tài)進(jìn)行判斷分類，且判斷的結(jié)果具有很高精度。另一方面，10組樣本中只有2組樣本的診斷出現(xiàn)了較小偏差。為了提高網(wǎng)絡(luò)診斷精度，可以在訓(xùn)練樣本中加入錯(cuò)誤測(cè)試樣本，重新對(duì)bp神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練。

四、結(jié)束語(yǔ)

視覺(jué)探測(cè)系統(tǒng)是 AUV 的重要系統(tǒng)，影響著其海底管道巡檢的工作效率，而水下圖像的分類識(shí)別技術(shù)又是視覺(jué)探測(cè)系統(tǒng)的核心。本文主要利用了計(jì)算機(jī)數(shù)字圖像技術(shù)對(duì)海底圖像原片進(jìn)行處理，提取其特征后，利用 BP 神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，獲得成熟的bp神經(jīng)網(wǎng)絡(luò)模型以用于圖像的分類。最后得到的目標(biāo)圖像可用于 AUV 的光學(xué)軌跡導(dǎo)航等。本文的研究思路對(duì)相關(guān) AUV 水下管道目標(biāo)識(shí)別與跟蹤等研究領(lǐng)域有一定借鑒意義。

參考文獻(xiàn)：

朱磊， 李建英， 韓琦. 基于圖像的水下管道檢測(cè)裝置及其檢測(cè)方法：， CN108051444A[P]. 2018.

唐旭東. 智能水下機(jī)器人水下管道檢測(cè)與跟蹤技術(shù)研究[D]. 哈爾濱工程大學(xué).

作者簡(jiǎn)介：

胡蘇（1981.07-），女，漢，湖北武漢人，廣東財(cái)經(jīng)大學(xué)信息學(xué)院講師，廣東廣州，510320，研究方向：機(jī)器學(xué)習(xí)，大數(shù)據(jù)分析，排水管網(wǎng)

基金項(xiàng)目：廣東省住房和城鄉(xiāng)建設(shè)廳2020年科技計(jì)劃項(xiàng)目：排水設(shè)施功能診斷與風(fēng)險(xiǎn)預(yù)警系統(tǒng)的研發(fā)（編號(hào)：2020-K4-505796）