基于视觉感知的故障图像检测算法.

第３１卷第９期２０１０年９月

仪器仪表

学

报

Ｖ０１．３１

Ｎｏ．９

ＣｈｉｎｅｓｅＪｏｕｒｎａｌｏｆＳｃｉｅｎｔｉｆｉｃＩｎｓｔｒｕｍｅｎｔ

Ｓｅｐ．２０１０

基于视觉感知的故障图像检测算法

逯鹏１，李永强１，王治忠１，矫琨２

（１

郑州大学电气工程学院郑州４５０００１；２河南长城信息技术有限公司

郑州４５０００１）

摘要：针对列车运行故障图像检测问题，提出了一种基于视觉感知机制的图像故障检测方法，实现了列车摇枕裂纹故障的高效率少样本检测。该方法首先基于ＩＣＡ模型从图像序列中学习初级视皮层中简单细胞感受野；然后，计算正常图像和故障图像神经元的响应，找出对刺激响应较强烈的神经元，输出其对应的内容，进行故障检测。实验结果表明，该方法具有较高的故障检测率，同时能够利用少量样本实现对大量图像的故障检测。关键词：视觉感知；感受野；故障图像；裂纹中图分类号：ＴＰ２

文献标识码：Ａ

国家标准学科分类代码：５１０．８０４０

Ｆａｕｌｔ－ｉｍａｇｅｄｅｔｅｃｔｉｏｎａｌｇｏｒｉｔｈｍｂａｓｅｄｏｎ

ｖｉｓｕａｌｐｅｒｃｅｐｔｉｏｎ

ＬｕＰｅｎ９１，ＬｉＹｏｎｇｑｉａｎ９１，ＷａｎｇＺｈｉｚｈｏｎ９１，ＪｉａｏＫｕｎ２

（Ｊ

Ｓｃｈｏｏｌ

ｏｆＥｌｅｃｔｒｉｃａｌＥｎｇｉｎｅｅｒｉｎｇ，Ｚｈｅｎｇｚｈｏｕ

Ｕｎｉｖｅｒｓｉｔｙ，Ｚｈｅｎｇｚｈｏｕ４５０００１，Ｃｈｉｎａ；

２ＴｈｅＧｒｅａｔ

ＷａｌｌＩｎｆｏｒｍａｔｉｏｎＴｅｃｈｎｏｌｏｇｙｃｏ．ＬｔｄｏｆｌｔｅｎａｎＰｒｏｖｉｎｃｅ，Ｚｈｅｎｇｚｈｏｕ４５０００１，Ｃｈｉｎａ）

Ａｂｓｔｒａｃｔ：Ａｍｅｔｈｏｄｂａｓｅｄ

ｏｎ

ｖｉｓｕａｌｐｅｒｅｅｐｔｉｏｎｍｅｃｈａｎｉｓｍｉｓｐｒｏｐｏｓｅｄｆｏｒｓｏｌｖｉｎｇｔｈｅｐｒｏｂｌｅｍｏｆｆａｕｌｔ・・ｉｍａｇｅｄｅｔｅｃ—・

ｃａｎ

ｔｉｏｎｏｆｒｕｎｎｉｎｇｔｒａｉｎ．Ｔｈｅｄｅｔｅｃｔｉｏｎｏｆｓｗｉｎｇｂｏｌｓｔｅｒｃｒａｃｋｌｅｂｅａｃｈｉｅｖｅｄｉｎｈｉｓｈｅｆｆｉｃｉｅｎｃｙａｎｄｗｉｔｈｓｍａｌｌｓａｍ－

ｐｉｅｓ．Ｆｉｒｓｄｙ，ｔｈｅｒｅｃｅｐｔｉｖｅｆｉｅｌｄｏｆｓｉｍｐｌｅｃｅＵｓｉｎｐｒｉｍａｒｙｖｉｓｕａｌｃｏｄｅｘｉｓｏｂｔａｉｎｅｄｆｒｏｍｔｈｅｉｍａｇｅｓｅｑｕｅｎｃｅｕｓｉｎｇＩＣＡｍｏｄｅｌ．Ｓｅｃｏｎｄｌｙ，ｔｈｅｓｔｒｏｎｇｅｒｔｏｔｈｅｓｔｉｍｕｌｕｓｃａｎ

ｎｅｕｒｏｎ

ｒｅｓｐｏｎｓｅｏｆｎｏｒｍａｌａｎｄｆａｕｌｔｉｍａｇｅｓ

ａｒｅ

ｃａｌｃｕｌａｔｅｄ，ｔｈｅｎｔｈｅ

ｃａｎ

ｎｅｕｒｏｎ

ｔｈａｔｒｅｓｐｏｎｄｓ

ａｓ

ｂｅｆｏｕｎｄｏｕｔ，ａｎｄｉｔｓｃｏｒｒｅｓｐｏｎｄｉｎｇ

ｃｏｎｔｅｎｔｆｏｒｆａｕｌｔｄｅｔｅｃｔｉｏｎ

ｂｅｏｕｔｐｕｔｔｅｄ

ｗｅｌｌ．

Ｅｘｐｅｒｉｍｅｎｔｒｅｓｕｌｔｓｓｈｏｗｔｈａｔｔｈｅｂｅｒｏｆ

ｍｅｔｈｏｄｈａｓ

ａ

ｈｉｇｈｆａｕｌｔ—ｄｅｔｅｃｔｉｏｎｒａｔｅａｎｄ

Ｃａｎ

ａｃｈｉｅｖｅｆａｕｌｔｄｅｔｅｃｔｉｏｎｏｆｌａｒｇｅａｕｒａ－

ｉｍａｇｅｓｕｓｉｎｇｓｍａｌｌｓａｍｐｌｅｓ．

Ｋｅｙｗｏｒｄｓ：ｖｉｓｕａｌｐｅｒｃｅｐｔｉｏｎ；ｒｅｃｅｐｔｉｖｅｆｉｅｌｄ；ｆａｕｌｔｉｍａｇｅ；ｃｒａｃｋｌｅ

基于独立分量分析（ＩＣＡ）模型从列车图像序列中学

１引言

习初级视皮层中简单细胞感受野，计算正常图像和故障图像神经元的响应，找出对刺激响应较强烈的神经元，输出其对应的内容，进行故障检测。实验结果表明，该方法能够利用少样本实现图像故障区域坐标定位，实现了对大量图像的高故障检测率。

高速列车的列检方式主要是由高速摄像机将列车关键部位的动态图像，通过光纤网络传输到控制室，然后进行人工识别。特点是劳动强度大且易造成识别错误。目前基于图像的故障检测方法主要包括：基于图像灰度、形态和纹理特征的方法¨剖、图像分割ＨＪ、小波变换和神经网络”…。这些方法计算复杂，耗时长，很

难满足实时作业要求。动物视觉具有最优秀的图像信息处理机制，充分模拟视觉感知机制对于完成裂纹、瑕疵、缺损等一系列基于图像的故障检测任务具有重要的意义。

收稿日期：２０１０－０１

ＲｅｃｅｉｖｅｄＤａｔｅ：２０１０－０１

２视觉感知机制及其信息处理模型

２．１视觉感知机制

视觉信息是按照视网膜、视神经交叉、视束、侧膝体、

｝基金项目：国家自然科学基金（Ｎｏ．６０８４１００４，６０９７１１１０）资助项目

万方数据

１９９８

仪器仪表学报第３１卷

大脑视觉皮层的传输路径逐级进行传递的川。几乎所有来自视网膜的视觉信号都要在初级视皮层（Ｖ１区）处理后再向更高级的视皮层传递。Ｖｌ主要负责提取图像的形状、方向和色彩等信息，具有空间域的局部性、时间和

频域的方向性和选择性。以及稀疏响应特性悼１。Ｖ１区在

视觉信息处理过程中起着重要的作用一１。研究和模拟其信息处理机制对于更高效的基于图像的故障检测技术具有突破性的意义和作用。

２．２

Ｖ１区视觉信息处理模型

Ｏｌｓｈａｕｓｅｎ和Ｆｉｅｌｄ提出了稀疏编码模型，有效模拟

了Ｖ１区的稀疏响应特性。ｌＯＪ。Ｂｅｌｌ、Ｖａｎ

Ｈａｔｅｒｅｎ、Ｌｅｗｉｃｋｉ

和Ｈｙｖａｒｉｎｅｎ等采用ＩＣＡ方法提取的基函数与Ｖ１区简单细胞感受野的三个响应特性非常相近¨１。１４Ｊ。这些模型解释了动物视觉的信息处理机制，但并没有解决实际的故障图像检测问题。因此，在有效编码模型的基础上，模拟Ｖｌ区简单细胞感受野处理图像信息的机制，采用ＩＣＡ方法从实际列车摇枕图像中学习基函数，实现基于视觉感知的故障图像检测。

有效编码模型可以简单描述为：

Ｘ＝ＡＳ

（１）

即对图像Ｘ进行变换，找到隐藏“因子’！Ｓ，并使得Ｓ满足有效编码准则，例如统计独立性。从神经生物学角度，有效编码模型对应视皮层神经细胞的响应过程，Ｓ对应初级神经细胞对外界刺激的响应值，Ａ为响应矩阵。

首先给出基函数学习规则和实现算法，然后给出故障感知算法。

基于稀疏编码理论，采用独立ＩＣＡ方法从自然图像中学习基函数。

对于基本的ＩＣＡ模型Ｍ＝Ｗｘ，根据文献［１５］基本学习算法的推导，从Ｋｕｌｌｂａｃｋ＿Ｌｅｉｂｌｅｒ发散度导出代价函数：

Ｊ（ｘ，形）＝一ｌｏｇ

Ｉ如ｆ（形）｜－∑Ｅｌｏｇｑｊ（％）

（２）

式中：ｑｌ（毛）可取Ｌａｐｌａｃｅ概率密度函数。

采用随机梯度下降学习算法使．，（石，彤）极小化：

ＡＷ（ｔ）＝Ｗ（ｔ＋１）一形（ｆ）＝一叩（ｔ）茄

（３）

阵可用分量方向的微分计算，即：

ＡＷ（ｔ）＝一叩（ｔ）丽ＯＪ＝

（４）

万方数据

式中：妒。（戈；）＝一ｑ＇ｉ（毛）／ｑｊ（毛），叼（ｔ）是学习率，随时间或迭代次数而变化。

由于参数空间由所有的非奇异矩阵ｗ组成，Ａｍａｒｉ等【ｌ副引入了一个自然黎曼测度到空间ｗ，并证明了参数ｗ的黎曼空间的真实最速下降方向是：

ＡＷ＝一叼（ｔ）羔旷ｗ

（５）

０ｗ

因此，基于自然梯度下降算法来更新矩阵ｗ，可得到基函数自适应学习规则：△ｗ＝一＇７（￡）茄ｗＴｗ＝