基于改進(jìn)時(shí)域高通濾波紅外圖像的海上風(fēng)機(jī)塔架腐蝕速率預(yù)測(cè)

黃祥聲,樂(lè)治濟(jì),吳敏輝,倪秀楠,鐘茗秋,陳 川

(1.上?？睖y(cè)設(shè)計(jì)研究院有限公司,上海 200000;2.三峽新能源海上風(fēng)電運(yùn)維江蘇有限公司,江蘇 鹽城 224000;3.福建省新能海上風(fēng)電研發(fā)中心有限公司,福建 福州 350000;4.中國(guó)電器科學(xué)研究院股份有限公司,廣東 廣州 510663)

1 引 言

和陸地風(fēng)電場(chǎng)對(duì)比可知,海上風(fēng)電場(chǎng)的風(fēng)能資源儲(chǔ)量較多,開(kāi)發(fā)效率也較為顯著,且對(duì)環(huán)境的污染不多。全球第一座海上風(fēng)電場(chǎng)是構(gòu)建于丹麥,自那以后,海上風(fēng)力發(fā)電變成全球可再生能源發(fā)展的核心技術(shù)。但是海上風(fēng)電場(chǎng)的運(yùn)行環(huán)境較為復(fù)雜,溫度、濕度、鹽霧程度、日照時(shí)間都和陸地環(huán)境存在明顯不同,導(dǎo)致海上風(fēng)電設(shè)備會(huì)出現(xiàn)腐蝕問(wèn)題[1]。

塔架就是塔筒,長(zhǎng)期暴露在海洋大氣環(huán)境里,海洋濕度相對(duì)陸地而言較高,塔架在此環(huán)境下便會(huì)出現(xiàn)鐵銹[2]。海洋大氣中的銅離子具備穿透能力,在濕度較高的環(huán)境會(huì)導(dǎo)致塔架腐蝕速度加快。在此研究背景下,塔架腐蝕速率預(yù)測(cè)便十分重要,有效預(yù)測(cè)海上風(fēng)機(jī)塔架腐蝕速率,可提前掌握海上風(fēng)機(jī)塔架腐蝕程度,以便進(jìn)行檢修或更換。目前結(jié)合已有文獻(xiàn)可知,針對(duì)海上風(fēng)機(jī)塔架腐蝕速率預(yù)測(cè)方面研究不多,但針對(duì)各種材料結(jié)構(gòu)腐蝕速率的預(yù)測(cè)方法不少,如文獻(xiàn)[3]曲志豪等人使用優(yōu)化隨機(jī)森林方法,可有效預(yù)測(cè)H2S 環(huán)境下油氣田管道腐蝕產(chǎn)物種類(lèi)和腐蝕速率。文獻(xiàn)[4]靳文博等人使用極限學(xué)習(xí)機(jī)預(yù)測(cè)海洋環(huán)境中3C鋼腐蝕速度,預(yù)測(cè)結(jié)果有效。結(jié)合前人研究結(jié)果可知,目前關(guān)于材料腐蝕速率預(yù)測(cè)問(wèn)題,可引入智能化算法,無(wú)需人工檢查,且海上風(fēng)機(jī)塔架所處環(huán)境惡劣,人工檢查難度極大[5],為此,本文提出了基于改進(jìn)時(shí)域高通濾波紅外圖像的海上風(fēng)機(jī)塔架腐蝕速率預(yù)測(cè)方法,該方法不僅引入智能化算法預(yù)測(cè)腐蝕速率,且在預(yù)測(cè)之前,對(duì)海上風(fēng)機(jī)塔架紅外圖像使用改進(jìn)時(shí)域高通濾波算法,有效去除海上風(fēng)機(jī)塔架紅外圖像的噪聲信息,優(yōu)化圖像整體質(zhì)量,這對(duì)海上風(fēng)機(jī)塔架腐蝕速率的準(zhǔn)確預(yù)測(cè)存在較大幫助。

2 海上風(fēng)機(jī)塔架腐蝕速率預(yù)測(cè)方法

2.1 基于改進(jìn)時(shí)域高通濾波算法的塔架紅外圖像質(zhì)量?jī)?yōu)化方法

時(shí)域高通濾波屬于不均勻性矯正算法,塔架紅外圖像的時(shí)域頻率屬性顯示,圖像中塔架目標(biāo)信息具有高頻特征,背景雜波、噪聲信息具有低頻特征,所以可使用時(shí)域高通濾波算法實(shí)現(xiàn)圖像高頻、低頻特征矯正,以此去除塔架紅外圖像不同頻度信息的不均勻矯正。

針對(duì)第m幀塔架紅外圖像X(m)而言,不均勻校正方法是:

(1)

(2)

式中,F、g(m)依次是偏移系數(shù)、低通濾波器輸出;N是提前設(shè)置的時(shí)間常數(shù)。

考慮到式(1)僅對(duì)偏移系數(shù)執(zhí)行矯正處理,導(dǎo)致濾波后紅外圖像細(xì)節(jié)較為模糊,為此,本文使用對(duì)該算法進(jìn)行改進(jìn),改進(jìn)后的算法示意圖如圖1所示。

圖1 改進(jìn)時(shí)域高通濾波算法

改進(jìn)的時(shí)域高通濾波算法的核心是結(jié)合圖像中塔架信息自適應(yīng)設(shè)置時(shí)間常數(shù),如果塔架較大,時(shí)間常數(shù)便較小,反之塔架較小,時(shí)間常數(shù)便較大。

時(shí)域高通濾波算法僅對(duì)偏移系數(shù)執(zhí)行矯正處理[6-7],以?xún)?yōu)化矯正效果為前提,本文使用減底圖方法將X(m)執(zhí)行預(yù)處理,底圖代表探測(cè)器在均勻輻射源的條件中探測(cè)塔架時(shí)噪聲圖像。一般情況下X(m)中噪聲存在緩慢起伏的變化特征,噪聲空間頻率大部分都聚集在低頻區(qū)域。使用難度較小的減法計(jì)算便可刪除固定模式的噪聲信息,此操作下,增益并不會(huì)出現(xiàn)不均勻變化。減底圖方法能夠降低算法運(yùn)算難度,提高運(yùn)算效率。則減底圖后的塔架紅外圖像是:

(3)

式中,Xback(m)是常溫狀態(tài)中塔架紅外圖像的噪聲底圖。

(4)

2.2 基于改進(jìn)Niblack算法與最大熵算法的塔架紅外圖像分割方法

將2.1小節(jié)處理后的Yhb(i,j)執(zhí)行分割處理,以此提取塔架目標(biāo)圖像。Niblack算法為常用的圖像局部閾值分割算法,根據(jù)相關(guān)資料記載,此算法對(duì)圖像的分割效果受限于修正系數(shù)與鄰域窗口。修正系數(shù)與鄰域窗口數(shù)值設(shè)置的合理性直接影響分割效果,為此,文章對(duì)此算法進(jìn)行改進(jìn),結(jié)合圖像自身像素矩陣設(shè)置鄰域窗口數(shù)值,改進(jìn)后鄰域窗口v是:

(5)

(6)

式中,v1、v2是改進(jìn)后鄰域窗口的行數(shù)與列數(shù);L、C依次是圖像Yhb(i,j)像素的行數(shù)與列數(shù);round表示取整函數(shù)。此時(shí)塔架紅外圖像Yhb(i,j)局部灰度均值n(i,j)與標(biāo)準(zhǔn)差r(i,j)是:

(7)

(8)

式中,i、j是Yhb(i,j)的像素點(diǎn);g(i,j)是Yhb(a,b)的灰度值。

修正系數(shù)h是:

(9)

式中,gmax、gmin是鄰域窗口中像素最大灰度值與最小灰度值。

改進(jìn)后鄰域窗口與修正系數(shù)會(huì)結(jié)合Yhb(i,j)的像素矩陣與灰度值信息執(zhí)行自適應(yīng)調(diào)節(jié)。

若以像素點(diǎn)(i,j)為中心的局部鄰域熵是Kij:

(10)

式中,qij是像素點(diǎn)(i,j)的灰度分布概率。

(11)

使用隸屬度函數(shù)把Kij變成0～1之間背景因子,將Yhb(i,j)背景執(zhí)行分類(lèi)處理,背景因子較大,代表Yhb(i,j)背景簡(jiǎn)單性越顯著,背景因子較小,Yhb(i,j)背景復(fù)雜性越顯著[8]。

(12)

式中,Kmax、Kmin依次是鄰域中最大熵與最小熵的數(shù)值。

則文章使用背景因子分割圖像,如果G大于背景因子,那么圖像背景不復(fù)雜[9-11],通過(guò)最大熵法便可分割Yhb(i,j),若G小于或者等于背景因子,便需要使用改進(jìn)Niblack算法分割Yhb(i,j)。

最大熵法屬于常用全局閾值分割方法,可通過(guò)圖像背景與目標(biāo)最大熵的和值,運(yùn)算圖像分割閾值[12]。設(shè)置Yhb(i,j)的尺寸是N×M,灰度區(qū)間是o,灰度級(jí)o出現(xiàn)的概率是q(o)。使用閾值把Yhb(i,j)分成背景φ、目標(biāo)φ兩部分,Yhb(i,j)的分割結(jié)果是:

(13)

式中,KG(K)是背景φ、目標(biāo)φ兩部分的熵和值;K、Z依次是閾值、灰度級(jí)最大值。

2.3 基于天牛須搜索算法的極限學(xué)習(xí)機(jī)腐蝕速率預(yù)測(cè)方法

將2.2小節(jié)獲取的海上風(fēng)機(jī)塔架目標(biāo)φ?qǐng)D像作為基于天牛須搜索算法的極限學(xué)習(xí)機(jī)腐蝕速率預(yù)測(cè)方法的預(yù)測(cè)樣本,預(yù)測(cè)腐蝕速率的等級(jí)信息,實(shí)現(xiàn)腐蝕速率預(yù)測(cè)。

基于天牛須搜索算法的極限學(xué)習(xí)機(jī)腐蝕速率預(yù)測(cè)方法中,因?yàn)闃O限學(xué)習(xí)機(jī)輸入節(jié)點(diǎn)的數(shù)目對(duì)其結(jié)構(gòu)的簡(jiǎn)易程度存在直接影響,輸入權(quán)重與隱含層閾值的設(shè)計(jì)具有隨機(jī)性,將導(dǎo)致此結(jié)構(gòu)性能穩(wěn)定性較差,對(duì)塔架腐蝕速率預(yù)測(cè)準(zhǔn)確率不能保證,所以,文章將天牛須搜索算法和極限學(xué)習(xí)相融,主要通過(guò)天牛須搜索算法優(yōu)化極限學(xué)習(xí)機(jī)的輸入權(quán)重與隱層閾值,以此設(shè)置最優(yōu)網(wǎng)絡(luò)結(jié)構(gòu),在保證網(wǎng)絡(luò)結(jié)構(gòu)最優(yōu)的前提下,準(zhǔn)確預(yù)測(cè)塔架腐蝕速率。

天牛須搜索算法是模擬天牛捕食行為而設(shè)計(jì)的智能化算法,天牛通過(guò)2個(gè)觸角感知?dú)馕稘舛?從而決定自己需要前進(jìn)的方向,以循環(huán)“氣味感知-前進(jìn)-停留”這一過(guò)程,便能實(shí)現(xiàn)食物定位。此算法無(wú)需掌握函數(shù)的詳細(xì)模式和梯度數(shù)據(jù),便能夠自主完成尋優(yōu),且個(gè)體數(shù)量是1,計(jì)算量較少,尋優(yōu)速度較快。將天牛個(gè)體設(shè)成極限學(xué)習(xí)機(jī)輸入權(quán)重與隱層閾值的可行解,此算法的操作流程是:

(1)參數(shù)初始化,設(shè)置用于預(yù)測(cè)塔架腐蝕速率的極限學(xué)習(xí)機(jī)參數(shù)尋優(yōu)的空間維數(shù)與迭代次數(shù)最大值依次是V、H,塔架腐蝕速率預(yù)測(cè)過(guò)程中,天牛尋優(yōu)極限學(xué)習(xí)機(jī)參數(shù)的步長(zhǎng)因子依次和天牛初始質(zhì)心位置依次是β0、y0;觸角的間距是e,β0與e之比是d;

(3)設(shè)定天牛須方向的隨機(jī)變量是b,將其執(zhí)行歸一化操作[13]:

(14)

(4)確定天牛須的空間位置信息:

(15)

其中,y1h、ysh依次是第h次迭代過(guò)程中兩側(cè)觸角的位置;yh是第h次迭代過(guò)程中天牛的質(zhì)心位置;

(5)更新用于預(yù)測(cè)塔架腐蝕速率的極限學(xué)習(xí)輸入權(quán)重與隱層閾值可行解的天牛坐標(biāo):

yh+1=yh-βhsign(f(ysh)-f(y1h))b

(16)

其中,第h次迭代的步長(zhǎng)因子是βh;f(ysh)、f(y1h)依次是兩側(cè)觸角感知的氣味濃度;sign( )是符號(hào)函數(shù);

(7)如果迭代次數(shù)為最大值,結(jié)束用于預(yù)測(cè)塔架腐蝕速率的極限學(xué)習(xí)輸入權(quán)重與隱層閾值尋優(yōu),輸出尋優(yōu)結(jié)果,反之跳轉(zhuǎn)第(3)步驟。

極限學(xué)習(xí)機(jī)是神經(jīng)網(wǎng)絡(luò)算法的其中一種,此算法需要調(diào)整的參數(shù)不多,僅僅需要合理設(shè)定隱含層神經(jīng)元數(shù)目,所以此算法的學(xué)習(xí)效率高,泛化能力顯著[14]。

把2.2小節(jié)分割后的海上風(fēng)機(jī)塔架目標(biāo)紅外圖像中的目標(biāo)圖像輸入極限學(xué)習(xí)機(jī),輸入層代表塔架特征的神經(jīng)元數(shù)目設(shè)成n,隱含層如果存在Q個(gè)神經(jīng)元,那么輸出層便會(huì)輸出P個(gè)代表腐蝕速率預(yù)測(cè)結(jié)果的神經(jīng)元。第h個(gè)海上風(fēng)機(jī)塔架目標(biāo)紅外圖像訓(xùn)練樣本輸入極限學(xué)習(xí)機(jī)后,輸出結(jié)果是:

(17)

將式(16)轉(zhuǎn)換矩陣模式:

(18)

綜上所述,基于天牛須搜索算法的極限學(xué)習(xí)機(jī)腐蝕速率預(yù)測(cè)方法的操作步驟是:

(1)設(shè)置天牛須搜索算法的初始參數(shù),把海上風(fēng)機(jī)塔架腐蝕速率預(yù)測(cè)結(jié)果和實(shí)際值的誤差設(shè)成適應(yīng)度函數(shù);

表1 海上風(fēng)機(jī)塔架腐蝕速率級(jí)別信息

3 實(shí)驗(yàn)分析

為測(cè)試本文方法的應(yīng)用效果,在MATLAB軟件中對(duì)本文方法的應(yīng)用性能進(jìn)行針對(duì)性測(cè)試。首先使用本文方法對(duì)海上風(fēng)機(jī)塔架紅外圖像進(jìn)行濾波,濾波前后海上風(fēng)機(jī)塔架紅外圖像的視覺(jué)效果圖如圖2所示。

圖2 濾波前后海上風(fēng)機(jī)塔架紅外圖像的視覺(jué)效果

如圖2所示,本文方法對(duì)海上風(fēng)機(jī)塔架紅外圖像濾波前,海上風(fēng)機(jī)塔架紅外圖像細(xì)節(jié)模糊,圖像質(zhì)量較差,本文方法對(duì)海上風(fēng)機(jī)塔架紅外圖像濾波后,圖像質(zhì)量明顯優(yōu)化,圖像中目標(biāo)信息特征更為清晰,由此證明本文方法使用改進(jìn)時(shí)域高通濾波算法對(duì)海上風(fēng)機(jī)塔架紅外圖像進(jìn)行濾波處理后,可有效提升圖像質(zhì)量。

圖3是本文方法對(duì)海上風(fēng)機(jī)塔架紅外圖像濾波后的分割效果圖。

分析圖3可知,本文方法對(duì)海上風(fēng)機(jī)塔架紅外圖像濾波后的分割效果較好,圖像背景和目標(biāo)均被有效分離,以此在預(yù)測(cè)海上風(fēng)機(jī)塔架腐蝕速率時(shí),可提高預(yù)測(cè)效率。

本文方法對(duì)濾波后海上風(fēng)機(jī)塔架紅外圖像進(jìn)行分割完畢,對(duì)其腐蝕速率進(jìn)行預(yù)測(cè),預(yù)測(cè)結(jié)果直接顯示在圖像腐蝕部位,結(jié)果如圖4所示。

圖4 海上風(fēng)機(jī)塔架腐蝕速率預(yù)測(cè)

由圖4可知,本文方法對(duì)該海上風(fēng)機(jī)塔架腐蝕速率預(yù)測(cè)后,認(rèn)為此塔架的腐蝕速率等級(jí)主要是C1與C3,腐蝕速率等級(jí)不高。

為進(jìn)一步測(cè)試本文方法的預(yù)測(cè)精度,測(cè)試本文方法對(duì)海上風(fēng)機(jī)塔架腐蝕速率預(yù)測(cè)結(jié)果和實(shí)際結(jié)果的吻合度,如圖5所示。

圖5 腐蝕速率預(yù)測(cè)精度

圖5中,本文方法預(yù)測(cè)的腐蝕速率級(jí)別每點(diǎn)都處于斜率為1的參考線(xiàn)周?chē)?表示預(yù)測(cè)結(jié)果和實(shí)際結(jié)果存在高度吻合性。

測(cè)試本文方法的預(yù)測(cè)效率,預(yù)測(cè)效率主要體現(xiàn)于本文方法在預(yù)測(cè)海上風(fēng)機(jī)塔架腐蝕速率時(shí)的收斂次數(shù),如圖6所示。

由圖6可知,本文方法迭代次數(shù)是10次時(shí),對(duì)海上風(fēng)機(jī)塔架腐蝕速率的預(yù)測(cè)結(jié)果均方誤差為最小值0.01,此時(shí)便可高精度預(yù)測(cè)海上風(fēng)機(jī)塔架腐蝕速率,說(shuō)明本文方法僅在10次迭代時(shí)便具備較高的海上風(fēng)機(jī)塔架腐蝕速率預(yù)測(cè)精度,預(yù)測(cè)速度較快,應(yīng)用效率顯著。

4 結(jié) 論

海上風(fēng)機(jī)塔架腐蝕速率預(yù)測(cè)對(duì)海上風(fēng)機(jī)塔架安全保護(hù)工作而言存在研究?jī)r(jià)值,準(zhǔn)確快速預(yù)測(cè)海上風(fēng)機(jī)塔架腐蝕速率,是目前海上風(fēng)機(jī)塔架腐蝕速率預(yù)測(cè)工作的發(fā)展目標(biāo),為此,文章提出了基于改進(jìn)時(shí)域高通濾波紅外圖像的海上風(fēng)機(jī)塔架腐蝕速率預(yù)測(cè)方法,此方法能夠利用海上風(fēng)機(jī)塔架紅外圖像完成海上風(fēng)機(jī)塔架腐蝕速率預(yù)測(cè),實(shí)驗(yàn)中,該方法得出以下幾點(diǎn)結(jié)論:

(1)本文方法對(duì)海上風(fēng)機(jī)塔架紅外圖像濾波后,圖像質(zhì)量明顯優(yōu)化,圖像中目標(biāo)信息特征更為清晰;

(2)本文方法對(duì)海上風(fēng)機(jī)塔架紅外圖像濾波后的分割效果較好,圖像背景和目標(biāo)均被有效分離;

(3)本文方法表示對(duì)海上風(fēng)機(jī)塔架腐蝕速率預(yù)測(cè)結(jié)果和實(shí)際結(jié)果存在高度吻合性;

(4)本文方法迭代次數(shù)是10次時(shí),對(duì)海上風(fēng)機(jī)塔架腐蝕速率的預(yù)測(cè)結(jié)果均方誤差為最小值0.01,此時(shí)便可高精度預(yù)測(cè)海上風(fēng)機(jī)塔架腐蝕速率,說(shuō)明本文方法能夠快速收斂,實(shí)現(xiàn)海上風(fēng)機(jī)塔架腐蝕速率高精度預(yù)測(cè)。