CN108197655A - 基于主成分分析与神经网络的路面破损病害图像分类方法 - Google Patents

基于主成分分析与神经网络的路面破损病害图像分类方法 Download PDF

Info

Publication number
CN108197655A
CN108197655A CN201810005345.4A CN201810005345A CN108197655A CN 108197655 A CN108197655 A CN 108197655A CN 201810005345 A CN201810005345 A CN 201810005345A CN 108197655 A CN108197655 A CN 108197655A
Authority
CN
China
Prior art keywords
principal component
image
neural network
radar image
component analysis
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN201810005345.4A
Other languages
English (en)
Inventor
阎旭
袁杨宇
张荣华
林远江
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Chongqing Pro - Ho Chi - Qian Technology Co Ltd
Original Assignee
Chongqing Pro - Ho Chi - Qian Technology Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Chongqing Pro - Ho Chi - Qian Technology Co Ltd filed Critical Chongqing Pro - Ho Chi - Qian Technology Co Ltd
Priority to CN201810005345.4A priority Critical patent/CN108197655A/zh
Publication of CN108197655A publication Critical patent/CN108197655A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/086—Learning methods using evolutionary algorithms, e.g. genetic algorithms or genetic programming

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Biology (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Physiology (AREA)
  • Biomedical Technology (AREA)
  • Image Analysis (AREA)

Abstract

本发明属于道路检测技术领域。目的在于提供效率高、准确性高的基于主成分分析与神经网络的路面破损病害图像分类方法。传统的道路病害图像分类通过人工筛选方式进行，耗时多且出错率高。本发明结合主成分分析算法与神经网络算法实现道路病害图像的分类，针对原始病害图像进行尺寸归一化处理，使每张图像的特征向量维度一致，再将归一化处理后的图像数据进行主成分分析特征提取，大大降低了图像数据的维度，然后通过建立基于遗传算法改进的神经网络，对重要度大的特征主分量进行训练，最后进行网络分类，输出结果，从而完成道路病害图像的识别。本发明有效地提高了道路病害图像筛选的效率与准确性，简便易行。

Description

基于主成分分析与神经网络的路面破损病害图像分类方法
技术领域
本发明涉及道路检测技术领域，具体涉及基于主成分分析与神经网络的路面破损病害图像分类方法。
背景技术
随着我国公路交通建设的蓬勃发展，截至2016年年底，我国公路总里程469.63万公里，公路养护里程459.00万公里，占公路总里程97.7％(数据来源：《2016年交通运输行业发展统计公报》)。由于地质、天气和施工等影响，公路在使用过程中会出现各种各样的毛病：比如道路破损、路面塌陷、水电气管线爆裂等，而随着公路里程的增加，对公路养护管理的难度也随之加大。目前对公路的养管通常采用非常传统的人工检测模式，存在安全性低、效率低、结果准确性低等问题，为了消除手动操作的人为误差，智能化道路检测方式是大势所趋。
汽车在公路上高速行驶时，对路面的平整度、完好率要求很高，当路面出现裂缝、变形、松散等病害时应及时进行维修，否则行车安全无法保障。道路病害如在形成初期即被检测到，通过及时进行路面维修，可使道路管养费用大大降低。道路病害图像的分类是智能化道路检测技术的一大难点，在传统的道路检测过程中，通常通过路面破损检测相机获取高分辨的道路路面图像，再将这些图像进行人工筛选分类以进行进一步的分析和处理。人工筛选往往耗费大量时间，并且出错率高，传统的基于人工的处理方法已不能适应道路发展的需求。
发明内容
本发明的目的在于提供准确性高、效率高、简便易行的基于主成分分析与神经网络的路面破损病害图像分类方法。为实现上述发明目的，本发明所采用的技术方案是：基于主成分分析与神经网络的路面破损病害图像分类方法，基本流程如下：
(1)图像归一化预处理；
(2)特征提取：利用基于K-L变换的主成分分析PCA算法计算特征子空间，特征子空间由按特征值大小进行降序排列的特征向量组成；
(3)对神经网络进行预训练得到最优化的权值和阈值：采用基于遗传算法改进的神经网络，对上述步骤(2)选择出的重要度大的特征主分量输入神经网络进行训练，直到神经网络收敛或满足停止训练的条件；
(4)网络分类，输出结果，完成病害图像的识别。
本发明具有如下有益效果：针对道路病害图像的数据特点，对图像数据进行主成分分析特征提取，而后采用了神经网络的分类方法，可有效提升整个道路检测与评价系统的性能，提高了道路病害图像筛选的效率与准确性。
附图说明
图1为本发明方法流程图；
图2为主成分分析PCA算法步骤图。
具体实施方式
结合图1所示，本发明方法基本流程如下：
1、图像预处理：原始病害图像的获取一般通过车载高速摄像机以正常车速拍摄路面获得。由于光线、摄像机成像以及病害的强弱等问题，直接从原始图像进行目标提取会相当困难，因此一般需要先做适当的预处理，消除低质量带来的不良影响，增强目标等信息，以利于病害目标的提取。
将原始病害图像集A中的每幅图像进行尺寸归一化处理，得到归一化后的病害图像集B：
设图像集A中每个像素点的像素值为I(x，y)，归一化之后图像集B的每点像素值为：
G(x，y)＝I(x，y)/max(I)
归一化可使每张图像的特征向量维度一致。
2、特征提取：利用基于K-L变换的主成分分析PCA算法，计算特征子空间，特征子空间由按特征值大小进行降序排列的特征向量组成。
基于K-L变换的主成分分析PCA算法如图2所示，具体步骤如下：
1)设病害图像集B的维数是k×m×n，其中k是病害图像集所包含的波段维数，m、n是病害图像集的空间维数，可看作有k张大小为m×n像素的图像作为训练样本，将每张图像以列串接的方式表示成k列向量的形式，记为x1，x2，...，xk，每个xi的长度为m×n；
2)计算k张图像的均值向量和协方差矩阵C：
均值向量代表了这k张图像所共有的特征成份；
3)通过求解特征方程来获得协方差矩阵C的特征值：
λ＝diag(λ1，λ2，L，λk)；
4)按照重要度选择特征子空间中属性重要度大的特征主分量，对特征值按从大到小进行降序排列，即：
λ1≥λ2≥…≥λq；
其中重要度选择如下：选定前q个(q≤k)特征值对应的前q个特征向量构成特征子空间，然后将其对应的q个特征向量分别作为列向量，组成特征向量矩阵；
5)计算前q个特征值对应的特征向量U：(λI-C)＝0，其中I是单位矩阵；
3、对神经网络进行预训练得到最优化的权值和阈值：采用基于遗传算法改进的神经网络，将步骤(2)选择出的重要度大的特征主分量输入神经网络进行训练，直到神经网络收敛或满足停止训练的条件；训练步骤如下：
1)初始化：Oi (0)(t)＝xi(t)i(i＝1，2，...，n)且l＝1，l代表神经网络的某一层，t为时间；
其中Oi (0)表示第i层输入层，x表示输入的特征向量；
2)整合：
该层为中间层的输出，uj表示输入层与中间的连接权值与输入向量内积；
3)激发：(j＝1，2，...，n1)
oj表示中间层的输出值，该输出值为激活值，通过上式计算得到；bj代表偏置项；
4)条件转移：设定L，若l＜L，则1＝1+1，转向第二步。
若网络输出与目标输出的均方误差小于设定的值，那么就返回第二步中继续计算，直到满足误差为止，计算均方误差如下：
E||oj-object||
其中object表示目标输出；
5)输出oj(t)＝Oj (l)(t)(j＝1，2，...，m)。
4、网络分类，输出结果，完成病害图像的识别。

Claims (4)

1.基于主成分分析与神经网络的路面破损病害图像分类方法，其特征在于：该方法基本流程如下：
(1)图像归一化预处理；
(2)特征提取：利用基于K-L变换的主成分分析算法计算特征子空间，特征子空间由按特征值大小进行降序排列的特征向量组成；
(3)对神经网络进行预训练得到最优化的权值和阈值：采用基于遗传算法改进的神经网络，将步骤(2)选择出的重要度大的特征主分量输入神经网络进行训练，直到神经网络收敛或满足停止训练的条件；
(4)网络分类，输出结果，完成病害图像的识别。
2.根据权利要求1所述的基于主成分分析与神经网络的路面破损病害图像分类方法，其特征在于：步骤(1)具体方法为：将原始病害图像集A中的每幅图像进行尺寸归一化处理，得到归一化后的病害图像集B：
设图像集A中每个像素点的像素值为I(x，y)，归一化之后图像集B的每点像素值为：
G(x，y)＝I(x，y)/max(I)。
3.根据权利要求1所述的基于主成分分析与神经网络的路面破损病害图像分类方法，其特征在于：步骤(2)的具体方法为：
(1)设病害图像集B的维数是k×m×n，其中k是病害图像集所包含的波段维数，m、n是病害图像集的空间维数，可看作有k张大小为m×n像素的图像作为训练样本，将每张图像以列串接的方式表示成k列向量的形式，记为x1，x2，...，xk，每个xi的长度为m×n；
(2)计算k张图像的均值向量和协方差矩阵C：
(3)通过求解特征方程来获得协方差矩阵C的特征值：
λ＝diag(λ1，λ2，L，λk)；
(4)按照重要度选择特征子空间中属性重要度大的特征主分量，对特征值按从大到小进行降序排列，即λ1≥λ2≥…≥λq；
其中重要度选择如下：选定前q个(q≤k)特征值对应的前q个特征向量，构成特征子空间，然后将其对应的q个特征向量分别作为列向量组成特征向量矩阵；
(5)计算前q个特征值对应的特征向量U：(λI-C)＝0，其中I是单位矩阵。
4.根据权利要求1所述的基于主成分分析与神经网络的路面破损病害图像分类方法，其特征在于：步骤(3)的具体方法为：
(1)初始化：目l＝1，
其中表示第i层输入层，x表示输入的特征向量；
(2)整合：
该层为中间层的输出，uj表示输入层与中间的连接权值与输入向量内积；
(3)激发：(j＝1，2，...，n1)；
oj表示中间层的输出值，该输出值为激活值，通过上式计算得到；
(4)条件转移：设定L，若l＜L，则1＝1+1，转向第二步，
若网络输出与目标输出的均方误差小于设定的值，返回第二步中继续计算，直到满足误差为止，计算均方误差如下：
E||oj-object||
其中object表示目标输出；
(5)输出(j＝1，2，...，m)。
CN201810005345.4A 2018-01-03 2018-01-03 基于主成分分析与神经网络的路面破损病害图像分类方法 Pending CN108197655A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810005345.4A CN108197655A (zh) 2018-01-03 2018-01-03 基于主成分分析与神经网络的路面破损病害图像分类方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810005345.4A CN108197655A (zh) 2018-01-03 2018-01-03 基于主成分分析与神经网络的路面破损病害图像分类方法

Publications (1)

Publication Number Publication Date
CN108197655A true CN108197655A (zh) 2018-06-22

Family

ID=62587692

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810005345.4A Pending CN108197655A (zh) 2018-01-03 2018-01-03 基于主成分分析与神经网络的路面破损病害图像分类方法

Country Status (1)

Country Link
CN (1) CN108197655A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109782274A (zh) * 2019-01-31 2019-05-21 长安大学 一种基于探地雷达信号时频统计特征的水损害识别方法
CN110245642A (zh) * 2019-06-21 2019-09-17 北京市市政工程研究院 一种基于深度学习的雷达图谱识别方法及系统
CN113537016A (zh) * 2021-07-06 2021-10-22 南昌市微轲联信息技术有限公司 一种道路巡查中道路损伤自动检测预警的方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102915445A (zh) * 2012-09-17 2013-02-06 杭州电子科技大学 一种改进型的神经网络高光谱遥感影像分类方法
CN105678275A (zh) * 2016-01-15 2016-06-15 苏州大学 车辆识别方法
CN106296691A (zh) * 2016-08-11 2017-01-04 梁晓东 基于图像分析的路面病害识别方法
CN106548182A (zh) * 2016-11-02 2017-03-29 武汉理工大学 基于深度学习和主成因分析的路面裂纹检测方法及装置

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102915445A (zh) * 2012-09-17 2013-02-06 杭州电子科技大学 一种改进型的神经网络高光谱遥感影像分类方法
CN105678275A (zh) * 2016-01-15 2016-06-15 苏州大学 车辆识别方法
CN106296691A (zh) * 2016-08-11 2017-01-04 梁晓东 基于图像分析的路面病害识别方法
CN106548182A (zh) * 2016-11-02 2017-03-29 武汉理工大学 基于深度学习和主成因分析的路面裂纹检测方法及装置

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109782274A (zh) * 2019-01-31 2019-05-21 长安大学 一种基于探地雷达信号时频统计特征的水损害识别方法
CN109782274B (zh) * 2019-01-31 2023-05-16 长安大学 一种基于探地雷达信号时频统计特征的水损害识别方法
CN110245642A (zh) * 2019-06-21 2019-09-17 北京市市政工程研究院 一种基于深度学习的雷达图谱识别方法及系统
CN113537016A (zh) * 2021-07-06 2021-10-22 南昌市微轲联信息技术有限公司 一种道路巡查中道路损伤自动检测预警的方法

Similar Documents

Publication Publication Date Title
CN110321963B (zh) 基于融合多尺度多维空谱特征的高光谱图像分类方法
CN111914907B (zh) 一种基于深度学习空谱联合网络的高光谱图像分类方法
CN107016405B (zh) 一种基于分级预测卷积神经网络的害虫图像分类方法
CN106845401B (zh) 一种基于多空间卷积神经网络的害虫图像识别方法
CN108427920A (zh) 一种基于深度学习的边海防目标检测方法
CN110263705A (zh) 面向遥感技术领域两期高分辨率遥感影像变化检测方法
CN109828251A (zh) 基于特征金字塔轻量卷积神经网络的雷达目标识别方法
CN109034224B (zh) 基于双分支网络的高光谱分类方法
CN112308158A (zh) 一种基于部分特征对齐的多源领域自适应模型及方法
CN112446388A (zh) 一种基于轻量化二阶段检测模型的多类别蔬菜幼苗识别方法及系统
CN110472817A (zh) 一种结合深度神经网络的XGBoost集成信用评价系统及其方法
CN109635744A (zh) 一种基于深度分割网络的车道线检测方法
CN112200090B (zh) 基于交叉分组空谱特征增强网络的高光谱图像分类方法
CN111696101A (zh) 一种基于SE-Inception的轻量级茄科病害识别方法
CN109858557B (zh) 一种新的高光谱图像数据半监督分类方法
CN109902602A (zh) 一种基于对抗神经网络数据增强的机场跑道异物材料识别方法
CN109684922A (zh) 一种基于卷积神经网络的多模型对成品菜的识别方法
CN114841244B (zh) 一种基于鲁棒采样和混合注意力金字塔的目标检测方法
CN108197655A (zh) 基于主成分分析与神经网络的路面破损病害图像分类方法
CN109544204B (zh) 一种基于轻量化多任务卷积神经网络的导购行为分析方法
CN111160396B (zh) 一种基于多图结构的图卷积网络的高光谱图像分类方法
CN111222545B (zh) 基于线性规划增量学习的图像分类方法
CN114821164A (zh) 基于孪生网络的高光谱图像分类方法
CN111178177A (zh) 一种基于卷积神经网络的黄瓜病害识别方法
CN102169631A (zh) 基于流形学习的交通拥堵事件协同检测方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication

Application publication date: 20180622

RJ01 Rejection of invention patent application after publication