CN109615615A - 一种基于abc—bp神经网络的裂缝识别方法及系统 - Google Patents
一种基于abc—bp神经网络的裂缝识别方法及系统 Download PDFInfo
- Publication number
- CN109615615A CN109615615A CN201811420385.1A CN201811420385A CN109615615A CN 109615615 A CN109615615 A CN 109615615A CN 201811420385 A CN201811420385 A CN 201811420385A CN 109615615 A CN109615615 A CN 109615615A
- Authority
- CN
- China
- Prior art keywords
- neural network
- abc
- nectar source
- crack
- algorithm
- 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
Links
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 74
- 238000000034 method Methods 0.000 title claims abstract description 54
- 239000013598 vector Substances 0.000 claims abstract description 27
- 238000012360 testing method Methods 0.000 claims abstract description 19
- 230000003044 adaptive effect Effects 0.000 claims abstract description 18
- 238000005457 optimization Methods 0.000 claims abstract description 18
- 238000012549 training Methods 0.000 claims abstract description 12
- 238000000605 extraction Methods 0.000 claims abstract description 5
- 241000256844 Apis mellifera Species 0.000 claims description 75
- 210000002569 neuron Anatomy 0.000 claims description 19
- 230000006978 adaptation Effects 0.000 claims description 15
- 238000004364 calculation method Methods 0.000 claims description 14
- 238000011835 investigation Methods 0.000 claims description 12
- 241000256837 Apidae Species 0.000 claims description 5
- 235000013305 food Nutrition 0.000 claims description 5
- 238000003062 neural network model Methods 0.000 claims description 5
- 210000005036 nerve Anatomy 0.000 claims description 3
- 238000012795 verification Methods 0.000 abstract description 3
- 230000006872 improvement Effects 0.000 description 13
- 230000008569 process Effects 0.000 description 10
- 235000012907 honey Nutrition 0.000 description 5
- 108090000623 proteins and genes Proteins 0.000 description 4
- 238000001514 detection method Methods 0.000 description 3
- 238000005286 illumination Methods 0.000 description 3
- 208000013668 Facial cleft Diseases 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 238000005452 bending Methods 0.000 description 1
- 239000012141 concentrate Substances 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000003708 edge detection Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000004218 nerve net Anatomy 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 230000004044 response Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
Abstract
本发明提供一种基于ABC—BP神经网络的裂缝识别方法及系统，其中方法包括提取路面裂缝图像的特征矢量还包括以下步骤：使用优化后的BP神经网络训练测试样本；采用所述测试样本的预测值和真实值的交叉熵作为所述矢量特征的目标函数，完成对所述路面裂缝图像的识别。本发明提出一种基于ABC—BP神经网络的裂缝识别方法及系统，通过加入自适应因子对人工蜂群（Artificial bee colony，ABC）算法的搜索位置和概率选择进行改进，利用改进的ABC算法去优化BP神经网络的权值与阈值，建立一种改进的ABC—BP混合神经网络路面裂缝识别算法，通过实验验证了该算法具有较好的通用性与有效性。
Description
技术领域
本发明涉及数字图像处理的技术领域，特别是一种基于ABC—BP神经网络的裂缝识别方法及系统。
背景技术
人工蜂群算法(ABC)是根据自然界蜜蜂总是能寻找优良蜜源而模拟的一个群智能优化算法。蜜蜂通过跳舞来传递蜜源信息。蜂群利用蜜源、采蜜蜂、观察蜂和侦查蜂这四个部分来实现智能采蜜。对此，还引用了三种基本的行为模式：搜索模式、招募模式和选择模式。算法中蜜源即为解空间内的可能解；采蜜蜂携带了具体的蜜源信息，并通过摆舞来分享这些信息；观察蜂则在蜂巢等待，并通过分享采蜜蜂的信息去寻找蜜源；侦查蜂则随机搜索一个新的位置。
BP神经网络由一个输入层、一个输出层和一个或者多个隐含层组成，同层神经元之间无连接，异层神经元之间向前全连接，见图1所示。BP神经网络的主要核心是BP算法，BP算法主要由信息的正向传播与误差的反向传播两部分组成。其主要核心是反向传播，先初始化权重和阈值，网络通过一次正向传播将信息从输入层经隐含层逐层计算到输出层，计算其实际值和真实值的误差，看其误差是否达到期望值，如果没有达到，则通过反向传播将误差信号沿原来的连接通路反传回来修改各层神经元的权值和阈值，直至达到期望值或到达最大限制步数。
目前，路面裂缝检测技术大多数集中于边缘检测和阈值分割，但是对于噪声污染大的裂缝图像十分敏感，稳定性欠佳。对于路面图像噪声污染大，随机性强等问题，边缘检测和阈值分割等传统方法在处理裂缝图像上已经很难满足其精度要求了。而在路面裂缝图像识别中，神经网络技术也占着极为重要的位置，其中，BP神经网络是应用在路面裂缝图像识别中较广泛的一种神经网络算法。但是其算法存在全局搜索能力差、收敛性慢及容易陷入局部最小值等缺点。作为一种新的群智能优化算法—人工蜂群算法，相对于其它群智能优化算法，其主要有能跳出局部最小值，参数少等优点。但也存在收敛速度慢、局部搜索能力差等问题。
公开号为CN108259498A的发明专利公开了一种基于人工蜂群优化的BP算法的入侵检测方法及其系统，该方法包括：对采集的主机日志文件和网络数据形成一包进行预处理，获得主机日志文件和网络数据的特征向量并转化为BP神经网络算法可识别的输入值；对BP神经网络算法进行初始化，将连接输入层与隐藏层的权值Wij和连接隐藏层与输出层的权值Wjk作为人工蜂群算法的优化目标初始化人工蜂群算法的参数，将最佳蜜源传回BP神经网络算法替换输入层与隐藏层的权值Wij和连接隐藏层与输出层的权值Wjk；根据BP神经网络算法的输出值对用户的行为进行相应的相应操作。该方法的缺点是前期收敛速度慢，后前搜索能力欠缺。
发明内容
为了解决上述的技术问题，本发明提出一种基于ABC—BP神经网络的裂缝识别方法及系统，通过加入自适应因子对人工蜂群(Artificial bee colony，ABC)算法的搜索位置和概率选择进行改进，利用改进的ABC算法去优化BP神经网络的权值与阈值，建立一种改进的ABC—BP混合神经网络路面裂缝识别算法，通过实验验证了该算法具有较好的通用性与有效性。
本发明第一目的是提供一种基于ABC—BP神经网络的裂缝识别方法，包括提取路面裂缝图像的特征矢量，还包括以下步骤：
步骤1：使用优化后的BP神经网络训练测试样本；
步骤2：采用所述测试样本的预测值和真实值的交叉熵作为所述矢量特征的目标函数，完成对所述路面裂缝图像的识别。
优选的是，所述BP神经网络的优化包括以下步骤：
步骤11：初始化N、limit、maxcycle和D，其中，N为采蜜蜂、观察蜂和食物源，limit为最大解不变搜索次数，maxcycle为最大迭代次数，D为向量维数；
步骤12：随机生成解；
步骤13：计算个体适应度值；
步骤14：寻找新蜜源；
步骤15：判断是否出现侦查蜂：
步骤16：n＝n+1，当n≤maxcycle时，执行步骤12；当n＞maxcycle时，执行步骤17，其中，n是当前迭代次数；
步骤17：用获取的最优权值和阈值应用在BP神经网络模型中，将裂缝图像测试样本进行分类。
在上述任一方案中优选的是，所述向量维数D的计算公式为D＝(I+1)×H+(H+1)×O，其中，I为输入层的神经元个数，H为隐藏层的神经元个数，O为输出层的神经元个数。
在上述任一方案中优选的是，所述步骤12为设置所有蜜蜂都为侦查蜂模式，按照下面的公式来搜索随机产生蜜源，
其中，uij是…，xbestij是第j维(变量)的全局最优解，xbestj是第j维(变量)的全局最优解，γij∈(-1，1)是一个随机数，xkj是随机选择的不等于i的蜜源的第j维位置，βij是[0，1.5]的随机数，xij是…，i∈(1，2，…，N)，j∈(1，2，…，D)，rand是[0，1]的随机数，σ是自适应因子。
在上述任一方案中优选的是，所述步骤13包括把所述步骤12产生的蜜源带入到BP神经网络中，计算所述蜜源的交叉熵和个体适应度值fiti。
在上述任一方案中优选的是，所述步骤14包括采蜜蜂在蜜源附近搜索新蜜源，并计算其适应度函数值，然后判断搜索后的蜜源是否优于前蜜源。
在上述任一方案中优选的是，所述判断方法如下：
1)观察蜂计算概率pi，并以所述概率pi寻找新蜜源并计算适应度函数值；
2)如果优于前蜜源，则替代前蜜源，并limi＝0；否则limi＝limi+1；其中，limi是…。
在上述任一方案中优选的是，所述步骤15为当某些蜜源经过Limit次循环后还是不变，则放弃该蜜源，Limit是最大解不变搜索次数。
在上述任一方案中优选的是，所述步骤15为当max(Limi)＞＝Limit时，相应的采蜜蜂变成侦查蜂，并随机产生新的解。
在上述任一方案中优选的是，所述步骤1为采用改进的ABC算法(人工蜂群算法)去执行BP神经网络的权值和阈值的更新过程。
在上述任一方案中优选的是，所述ABC算法的改进包括搜索位置的改进和/或概率选择的改进。
在上述任一方案中优选的是，所述搜索位置的改进的公式为
其中，uij是…，xbestij是第j维(变量)的全局最优解，xbestj是第j维(变量)的全局最优解，γij∈(-1，1)是一个随机数，xkj是随机选择的不等于i的蜜源的第j维位置，βij是[0，1.5]的随机数，xij是…，i∈(1，2，…，N)，j∈(1，2，…，D)，rand是[0，1]的随机数，σ是自适应因子。
在上述任一方案中优选的是，所述概率选择的改进的公式为
其中，pi是第i维选择的概率，w1和w2是自适应调整因子，fiti是个体适应度值，fitn是第n个个体适应度值，N是总体数，n∈(1，N)。
在上述任一方案中优选的是，所述自适应调节因子w1的计算公式为：
w1＝1-((e1+iter/maxcycle-1)/(e-1))
其中，iter为算法当前迭代次数，maxcycle为最大迭代次数，e为自然指数。
在上述任一方案中优选的是，所述自适应调节因子w2的计算公式为：
w2＝(e1+iter/maxcycle-1)/(e-1)
其中，iter为算法当前迭代次数，maxcycle为最大迭代次数，e为自然指数。
本发明第二目的是提供一种基于ABC-BP神经网络的裂缝识别系统，包括用于提取路面裂缝图像的特征矢量的信息提取模块，还包括以下模块：
样本训练模块：用于使用优化后的BP神经网络训练测试样本；
图像识别模块：用于采用所述测试样本的预测值和真实值的交叉熵作为所述矢量特征的目标函数，完成对所述路面裂缝图像的识别。
优选的是，所述BP神经网络的优化包括以下步骤：
步骤11：初始化N、limit、maxcycle和D，其中，N为采蜜蜂、观察蜂和食物源，limit为最大解不变搜索次数，maxcycle为最大迭代次数，D为向量维数；
步骤12：随机生成解；
步骤13：计算个体适应度值；
步骤14：寻找新蜜源；
步骤15：判断是否出现侦查蜂：
步骤16：n＝n+1，当n≤maxcycle时，执行步骤12；当n＞maxcycle时，执行步骤17，其中，n是当前迭代次数；
步骤17：用获取的最优权值和阈值应用在BP神经网络模型中，将裂缝图像测试样本进行分类。
在上述任一方案中优选的是，所述向量维数D的计算公式为D＝(I+1)×H+(H+1)×O，其中，I为输入层的神经元个数，H为隐藏层的神经元个数，O为输出层的神经元个数。
在上述任一方案中优选的是，所述步骤12为设置所有蜜蜂都为侦查蜂模式，按照下面的公式来搜索随机产生蜜源，
其中，uij是当前随机产生蜜源的位置，xbestij是第j维(变量)的全局最优解，xbestj是第j维(变量)的全局最优解，γij∈(-1，1)是一个随机数，xkj是随机选择的不等于i的蜜源的第j维位置，βij是[0，1.5]的随机数，xij是第i个蜜源的第j维位置，i∈(1，2，…，N)，j∈(1，2，…，D)，rand是[0，1]的随机数，σ是自适应因子。
在上述任一方案中优选的是，所述步骤13包括把所述步骤12产生的蜜源带入到BP神经网络中，计算所述蜜源的交叉熵和个体适应度值fiti。
在上述任一方案中优选的是，所述步骤14包括采蜜蜂在蜜源附近搜索新蜜源，并计算其适应度函数值，然后判断搜索后的蜜源是否优于前蜜源。
在上述任一方案中优选的是，所述判断方法如下：
1)观察蜂计算概率pi，并以所述概率pi寻找新蜜源并计算适应度函数值；
2)如果优于前蜜源，则替代前蜜源，并limi＝0；否则limi＝limi+1；其中，limi是当前不变搜索次数。
在上述任一方案中优选的是，所述步骤15为当某些蜜源经过Limit次循环后还是不变，则放弃该蜜源，Limit是最大解不变搜索次数。
在上述任一方案中优选的是，所述步骤15为当max(Limi)＞＝Limit时，相应的采蜜蜂变成侦查蜂，并随机产生新的解。
在上述任一方案中优选的是，所述样本训练模块还用于采用改进的ABC算法(人工蜂群算法)去执行BP神经网络的权值和阈值的更新过程。
在上述任一方案中优选的是，所述ABC算法的改进包括搜索位置的改进和/或概率选择的改进。
在上述任一方案中优选的是，所述搜索位置的改进的公式为
其中，uij是当前随机产生蜜源的位置，xbestij是第j维(变量)的全局最优解，xbestj是第j维(变量)的全局最优解，γij∈(-1，1)是一个随机数，xkj是随机选择的不等于i的蜜源的第j维位置，βij是[0，1.5]的随机数，xij是第i个蜜源的第j维位置，i∈(1，2，…，N)，j∈(1，2，…，D)，rand是[0，1]的随机数，σ是自适应因子。
在上述任一方案中优选的是，所述概率选择的改进的公式为
其中，pi是第i维选择的概率，w1和w2是自适应调整因子，fiti是个体适应度值，fitn是第n个个体适应度值，N是总体数，n∈(1，N)。
在上述任一方案中优选的是，所述自适应调节因子w1的计算公式为：
w1＝1-((e1+iter/maxcycle-1)/(e-1))
其中，iter为算法当前迭代次数，maxcycle为最大迭代次数，e为自然指数。
在上述任一方案中优选的是，所述自适应调节因子w2的计算公式为：
w2＝(e1+iter/maxcycle-1)/(e-1)
其中，iter为算法当前迭代次数，maxcycle为最大迭代次数，e为自然指数。
本发明提出了一种基于ABC-BP神经网络的裂缝识别系统及方法，首先通过对改进蜂群的搜索方式以及选择概率来优化人工蜂群算法的收敛速度和搜索能力，然后把改进的蜂群算法去执行BP神经网络的权值和阈值的更新过程。然后提取路面裂缝图像的特征矢量作为输入，采用训练样本的预测值和真实值的交叉熵作为其目标函数，进而完成对裂缝图像的识别，实现ABC-BP神经网络对裂缝识别快速且精准。
附图说明
图1为按照本发明的基于ABC-BP神经网络的裂缝识别方法的一优选实施例的流程图。
图1A为按照本发明的基于ABC-BP神经网络的裂缝识别方法的如图1所示实施例的BP神经网络优化方法流程图。
图2为按照本发明的基于ABC-BP神经网络的裂缝识别系统的一优选实施例的结构图。
图3为按照本发明的基于ABC-BP神经网络的裂缝识别方法的一实施例的网格化的裂缝原图。
图4为按照本发明的基于ABC-BP神经网络的裂缝识别方法的如图3所示实施例的没有光照的简单裂缝图预测结果图。
图5为按照本发明的基于ABC-BP神经网络的裂缝识别方法的如图3所示实施例的有光照的简单裂缝图预测结果图。
图6为按照本发明的基于ABC-BP神经网络的裂缝识别方法的如图3所示实施例的没有光照的复杂裂缝图预测结果图。
图7为按照本发明的基于ABC-BP神经网络的裂缝识别方法的如图3所示实施例的三种方法裂缝图像训练过程图。
具体实施方式
下面结合附图和具体的实施例对本发明做进一步的阐述。
实施例一
如图1、2所示，执行步骤100，信息提取模块200提取路面裂缝图像的特征矢量。
执行步骤110，样本训练模块210使用优化后的BP神经网络训练测试样本并采用改进的ABC算法(人工蜂群算法)去执行BP神经网络的权值和阈值的更新过程。
BP神经网络的优化方法如图1A所示。执行步骤111，初始化N、limit、maxcycle和D，其中，N为采蜜蜂、观察蜂和食物源，limit为最大解不变搜索次数，maxcycle为最大迭代次数，D为向量维数。向量维数D的计算公式为D＝(I+1)×H+(H+1)×O，其中，I为输入层的神经元个数，H为隐藏层的神经元个数，O为输出层的神经元个数。执行步骤112，随机生成解。设置所有蜜蜂都为侦查蜂模式，按照下面的公式来搜索随机产生蜜源，
其中，uij是当前随机产生蜜源的位置，xbestij是第j维(变量)的全局最优解，xbestj是第j维(变量)的全局最优解，γij∈(-1，1)是一个随机数，xkj是随机选择的不等于i的蜜源的第j维位置，βij是[0，1.5]的随机数，xij是第i个蜜源的第j维位置，i∈(1，2，…，N)，j∈(1，2，…，D)，rand是[0，1]的随机数，σ是自适应因子，计算公式为σ＝(e1+iter/maxcycle-1)/(e-1)，其中，iter为算法当前迭代次数，maxcycle为最大迭代次数，e为自然指数。执行步骤113，计算个体适应度值，把所述步骤12产生的蜜源带入到BP神经网络中，计算所述蜜源的交叉熵和个体适应度值fiti。执行步骤114，寻找新蜜源。采蜜蜂在蜜源附近搜索新蜜源，并计算其适应度函数值，然后判断搜索后的蜜源是否优于前蜜源，是否优于前蜜源的判断方法如下：1)观察蜂计算概率pi，并以所述概率pi寻找新蜜源并计算适应度函数值；2)如果优于前蜜源，则替代前蜜源，并limi＝0；否则limi＝limi+1；其中，limi是当前不变搜索次数。执行步骤115，判断是否出现侦查蜂，某些蜜源经过Limit次循环后还是不变，则放弃该蜜源，Limit是最大解不变搜索次数；当max(Limi)＞＝Limit时，相应的采蜜蜂变成侦查蜂，并随机产生新的解。执行步骤116，n＝n+1。执行步骤117，判断n是否大于maxcycle。当n≤maxcycle时，则重新执行步骤112，随机产生解。当n＞maxcycle时，则执行步骤118，用获取的最优权值和阈值应用在BP神经网络模型中，将裂缝图像测试样本进行分类。
ABC算法的改进包括搜索位置的改进和/或概率选择的改进。搜索位置的改进的公式为
其中，uij是当前随机产生蜜源的位置，xbestij是第j维(变量)的全局最优解，xbestj是第j维(变量)的全局最优解，γij∈(-1，1)是一个随机数，xkj是随机选择的不等于i的蜜源的第j维位置，βij是[0，1.5]的随机数，xij是第i个蜜源的第j维位置，i∈(1，2，…，N)，j∈(1，2，…，D)，rand是[0，1]的随机数，σ是……。概率选择的改进的公式为其中，pi是第i维选择的概率，w1和w2是自适应调整因子，fiti是个体适应度值，fitn是第n个个体适应度值，N是总体数，n∈(1，N)。自适应调节因子w1的计算公式为：w1＝1-((e1+iter/maxcycle-1)/(e-1))，自适应调节因子w2的计算公式为：w2＝(e1+iter/maxcycle-1)/(e-1)，其中，iter为算法当前迭代次数，maxcycle为最大迭代次数，e为自然指数。
执行步骤120，图像识别模块220采用所述测试样本的预测值和真实值的交叉熵作为所述矢量特征的目标函数，完成对所述路面裂缝图像的识别。
实施例二
本发明提出一种基于ABC-BP神经网络的裂缝识别算法，本方法通过加入自适应因子对人工蜂群(Artificial bee colony，ABC)算法的搜索位置和概率选择进行改进，利用改进的ABC算法去优化BP神经网络的权值与阈值，建立一种改进的ABC-BP混合神经网络路面裂缝识别算法，通过实验验证了该算法具有较好的通用性与有效性。
本发明思路为首先通过对改进蜂群的搜索方式以及选择概率来优化人工蜂群算法的收敛速度和搜索能力，然后把改进的蜂群算法去执行BP神经网络的权值和阈值的更新过程。然后提取路面裂缝图像的特征矢量作为输入，采用训练样本的预测值和真实值的交叉熵作为其目标函数，进而完成对裂缝图像的识别。
为了实现ABC-BP神经网络对裂缝识别快速且精准的问题，具体实现过程包括：
一、搜索位置的改进
人工蜂群算法依靠在原有蜜源的附近随机搜索获得新的蜜源而达到收敛和避免陷入局部最小值的效果，通过采蜜蜂与侦查蜂按公式(1)随机搜索获得新蜜源，式中i∈(1，2，…，N)，j∈(1，2，…，D)，xkj为随机选择的不等于i的蜜源的第j维位置，rij∈(-1，1)是一个随机数，限制xij领域的范围。可以看出在原有的蜜源附近随机产生新的蜜源可以增加算法的搜索能力，但是由于其选择的随机性，降低了算法的收敛速度。
uij＝xij+rij(xij-xkj) (1)
针对这个问题，在参考粒子群算法的更新思想中，在其文章中引入了全局最优解来加快算法的收敛速度，改进的公式为：
uij＝xij+rij(xij-xkj)+βij(xbestj-xkj) (2)
式中，βij是[0，1.5]的随机数，xbestj是第j维(变量)的全局最优解。在加入了xbestj这个全局最优解后，算法会迅速向适应度高的蜜源靠近而加快算法的收敛速度。虽然加快了算法的收敛速度，但也破坏了算法的搜索能力，使其易早熟而陷入局部最优。为了平衡收敛速度和搜索能力，在引入全局最优解xbestj的同时再引入其邻域的最优解xbestj以及自适应因子σ，得到如下的改进搜索公式：
式中rand为[0，1]的随机数，自适应因子，其中iter和maxcycle分别为算法当前迭代次数和最大迭代次数。从式(3)中可以看出，在算法前期自适应因子σ小，而随机数则大于σ的概率大。反之在算法后期自适应因子σ大，而随机数则小于σ的概率大。故此，在前期算法大多数会按式(3)上式进行，而从式(3)上式可知，在加入了全局最优解xbestj和邻域最优解xbestij后，其算法的收敛速度会加快。而到了后期，随着迭代次数的增多，自适应因子σ的增大，算法会按式(3)下式进行，而从式(3)下式可知，只引入一个邻域最优解xbestij，虽在算法的收敛速度不会加快，但其扩展了算法的搜索能力以及多样性。改进后的算法相对于式(1)来说在前期大大提高了收敛速度，而相对于式(2)在后期增加了算法的搜索能力以及多样性。
二、概率选择的改进
在人工蜂群算法中，观察蜂是按照式(4)来选择蜜源的。从式(4)中可以看出，其适应度高的蜜源被选中的概率大，算法在优化时则向着适应度高的蜜源快速集中，这就大大降低了算法的搜索能力。因此，有人提出用轮盘赌反向选择机制的蜂群优化算法来做出式(5)改进：
从式中可以看出，增加了适应度低的蜜源被选中的概率，该方法虽然使得算法搜索能力增加，但在前期大量的搜索适应度低的蜜源而导致算法的收敛速度大大的降低。综合考虑这两点，本文将引入两个自适应调整因子w1和w2，其式如下所示：
式中，w1＝1-((e1+iter/maxcycle-1)/(e-1))，w2＝(e1+iter/maxcycle-1/e-1，其中iter和maxcycle分别为算法当前迭代次数和最大迭代次数。从式(6)可以看出，在算法前期，由于迭代次数iter很小，w1值很大，w2值很小，因此观察蜂选择适应度高的蜜源概率大，进而算法在前期增加了收敛速度。而随着迭代次数iter的增加w1值会越来越小，w2值越来越大，使得观察蜂选择适应度低的蜜源概率增大，让算法在后期增加了其搜索能力。
三、改进人工蜂群优化BP神经网络
本文把改进的蜂群算法去执行BP神经网络的权值和阈值的更新过程。改进的ABC算法的目标函数是BP神经网络训练样本的预测值和真实值的交叉熵，交叉熵越小适应度越高。改进的ABC-BP神经网络具体算法过程如下：
步骤一：初始化。初始化N、Limit、maxcycle和D；其中N为采蜜蜂、观察蜂和食物源，maxcycle为最大迭代次数，Limit为最大解不变搜索次数，D为向量维数，即D组BP神经网络的权值与阈值。其维数的计算公式如下所示：
D＝(I+1)×H+(H+1)×O (7)
式中：I为输入层的神经元个数，H为隐藏层的神经元个数，O为输出层的神经元个数。
步骤二：随机生成解。设置所有蜜蜂都为侦查蜂模式，按照式(3)来搜索随机产生蜜源。
步骤三：计算个体适应度值。把步骤二产生的蜜源带入BP神经网络中，然后计算其交叉熵和个体适应度值fiti。
步骤四：寻找新蜜源。采蜜蜂在蜜源附近按照式(3)搜索新蜜源，并执行步骤三计算其适应度函数值，然后判断搜索后的蜜源是否优于前蜜源。观察蜂按照式(6)计算概率pi，并以概率pi寻找新蜜源并计算适应度函数值，判断是否优于前蜜源。若是则替代前蜜源，并令Limi＝0，否则Limi＝Limi+1。
步骤五：判断是否出现侦查蜂，若某些蜜源经过Limit次循环后还是不变，则放弃该蜜源，Limit是最大解不变搜索次数。当max(Limi)＞＝Limit时，相应的采蜜蜂变成侦查蜂，并按照式(3)随机产生新的解。
步骤六：n＝n+1，返回步骤二直到满足终止条件(即超过最大迭代次数maxcycle)停止搜索。此时找到BP神经网络的最优权值和阈值。
步骤七：用获取的最优权值和阈值应用在BP神经网络模型中，然后将裂缝图像测试样本进行分类。
实施例三
在输入特征选择方面，如图3所示，把480×640像素的裂缝图像进行网格化，使其划分为15行、20列的32×32像素的网格。本文通过提取能区分各个网格中是否含有裂缝的特征来训练改进的ABC—BP混合神经网络，对路面裂缝图像的所有灰度像素点进行扫描，计算每个网格的灰度平均值Avg和灰度方差值Var以及网格内像素的归一化转动惯量NMI，计算出网格内像素点的低阶不变矩IM1，IM2，IM3，IM4。应用上述得到的七个特征作为裂缝图像的特征矢量作为改进的ABC—BP神经网络的输入，激励函数采用的是非对称Sigmoid函数。网络结构采用三层神经结构，其中输入层为7个神经元，隐藏层为16个神经元，输出层为一个神经元。在训练阶段采用了300幅480×640像素的路面裂缝图像，网格化后得到90000个样本。将样本集分别用改进的ABC—BP神经网络、基本的ABC—BP神经网络和传统的BP神经网络进行独立测试。设置算法参数：蜂群N＝60、最大迭代次数maxcycle＝10000，最大解不变搜索次数Limit＝200，向量维数D＝145。通过对CCD相机采集的500幅480×640像素的裂缝图像进行测试，预测结果是包含裂缝图像的网格将以原来的灰度显现出来，不包含裂缝的网格的则变成白色。
为了验证改进算法的准确性和效率，如图7所示，分别采用BP神经网络、基本ABC—BP神经网络和本文方法对500张裂缝图像150000个网格进行预测，统计其相应的准确率、召回率、Fδ、漏检率以及误检率，实验结果如表1、表2所示。
表1路面图像检测结果
表2各算法路面图像检测结果对比
为了更好地理解本发明，以上结合本发明的具体实施例做了详细描述，但并非是对本发明的限制。凡是依据本发明的技术实质对以上实施例所做的任何简单修改，均仍属于本发明技术方案的范围。本说明书中每个实施例重点说明的都是与其它实施例的不同之处，各个实施例之间相同或相似的部分相互参见即可。对于系统实施例而言，由于其与方法实施例基本对应，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
Claims (10)
1.一种基于ABC-BP神经网络的裂缝识别方法，包括提取路面裂缝图像的特征矢量，其特征在于，还包括以下步骤：
步骤1：使用优化后的BP神经网络训练测试样本；
步骤2：采用所述测试样本的预测值和真实值的交叉熵作为所述矢量特征的目标函数，完成对所述路面裂缝图像的识别。
2.如权利要求1所述的基于ABC-BP神经网络的裂缝识别方法，其特征在于：所述BP神经网络的优化包括以下步骤：
步骤11：初始化N、limit、maxcycle和D，其中，N为采蜜蜂、观察蜂和食物源，limit为最大解不变搜索次数，maxcycle为最大迭代次数，D为向量维数；
步骤12：随机生成解；
步骤13：计算个体适应度值；
步骤14：寻找新蜜源；
步骤15：判断是否出现侦查蜂：
步骤16：n＝n+1，当n≤maxcycle时，执行步骤12；当n＞maxcycle时，执行步骤17，其中，n是当前迭代次数；
步骤17：用获取的最优权值和阈值应用在BP神经网络模型中，将裂缝图像测试样本进行分类。
3.如权利要求2所述的基于ABC-BP神经网络的裂缝识别方法，其特征在于：所述向量维数D的计算公式为D＝(I+1)×H+(H+1)×O，其中，I为输入层的神经元个数，H为隐藏层的神经元个数，O为输出层的神经元个数。
4.如权利要求2所述的基于ABC-BP神经网络的裂缝识别方法，其特征在于：所述步骤12为设置所有蜜蜂都为侦查蜂模式，按照下面的公式来搜索随机产生蜜源，
其中，uij是当前随机产生蜜源的位置，xbestij是第j维(变量)的全局最优解，xbestj是第j维(变量)的全局最优解，γij∈(-1，1)是一个随机数，xkj是随机选择的不等于i的蜜源的第j维位置，βij是[0，1.5]的随机数，xij是第i个蜜源的第j维位置，i∈(1，2，…，N)，j∈(1，2，…，D)，rand是[0，1]的随机数，σ是自适应因子。
5.如权利要求4所述的基于ABC-BP神经网络的裂缝识别方法，其特征在于：所述步骤13包括把所述步骤12产生的蜜源带入到BP神经网络中，计算所述蜜源的交叉熵和个体适应度值fiti。
6.如权利要求2所述的基于ABC-BP神经网络的裂缝识别方法，其特征在于：所述步骤14包括采蜜蜂在蜜源附近搜索新蜜源，并计算其适应度函数值，然后判断搜索后的蜜源是否优于前蜜源。
7.如权利要求6所述的基于ABC-BP神经网络的裂缝识别方法，其特征在于：所述判断方法如下：
1)观察蜂计算概率pi，并以所述概率pi寻找新蜜源并计算适应度函数值；
2)如果优于前蜜源，则替代前蜜源，并limi＝0；否则limi＝limi+1；其中，limi是当前不变搜索次数。
8.如权利要求7所述的基于ABC-BP神经网络的裂缝识别方法，其特征在于：所述步骤15为当某些蜜源经过Limit次循环后还是不变，则放弃该蜜源，Limit是最大解不变搜索次数。
9.如权利要求7所述的基于ABC-BP神经网络的裂缝识别方法，其特征在于：所述步骤15为当max(Limi)＞＝Limit时，相应的采蜜蜂变成侦查蜂，并随机产生新的解，Limit是最大解不变搜索次数。
10.一种基于ABC-BP神经网络的裂缝识别系统，包括用于提取路面裂缝图像的特征矢量的信息提取模块，其特征在于，还包括以下模块：
样本训练模块：用于使用优化后的BP神经网络训练测试样本；
图像识别模块：用于采用所述测试样本的预测值和真实值的交叉熵作为所述矢量特征的目标函数，完成对所述路面裂缝图像的识别。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811420385.1A CN109615615A (zh) | 2018-11-26 | 2018-11-26 | 一种基于abc—bp神经网络的裂缝识别方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811420385.1A CN109615615A (zh) | 2018-11-26 | 2018-11-26 | 一种基于abc—bp神经网络的裂缝识别方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109615615A true CN109615615A (zh) | 2019-04-12 |
Family
ID=66003958
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811420385.1A Pending CN109615615A (zh) | 2018-11-26 | 2018-11-26 | 一种基于abc—bp神经网络的裂缝识别方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109615615A (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110952978A (zh) * | 2019-12-20 | 2020-04-03 | 西南石油大学 | 一种基于神经网络数据挖掘的钻井漏失裂缝宽度预测方法 |
| CN111047569A (zh) * | 2019-12-09 | 2020-04-21 | 北京联合大学 | 图像处理方法及装置 |
| CN111861784A (zh) * | 2020-06-01 | 2020-10-30 | 大唐东北电力试验研究院有限公司 | 基于人工蜂群优化神经网络的光伏发电功率短期预测方法 |
| CN115100864A (zh) * | 2022-06-24 | 2022-09-23 | 北京联合大学 | 一种基于改进麻雀搜索算法的交通信号控制优化方法 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108256683A (zh) * | 2018-01-16 | 2018-07-06 | 云南电网有限责任公司电力科学研究院 | 一种基于改进bp神经网络的风电场短期功率预测方法 |
| CN108259498A (zh) * | 2018-01-24 | 2018-07-06 | 湖南科技学院 | 一种基于人工蜂群优化的bp算法的入侵检测方法及其系统 |
-
2018
- 2018-11-26 CN CN201811420385.1A patent/CN109615615A/zh active Pending
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108256683A (zh) * | 2018-01-16 | 2018-07-06 | 云南电网有限责任公司电力科学研究院 | 一种基于改进bp神经网络的风电场短期功率预测方法 |
| CN108259498A (zh) * | 2018-01-24 | 2018-07-06 | 湖南科技学院 | 一种基于人工蜂群优化的bp算法的入侵检测方法及其系统 |
Non-Patent Citations (3)
| Title |
|---|
| YANTAO ZHU等: "Structural Safety Monitoring of High Arch Dam Using Improved ABC-BP Model" * |
| 冷昕等: "改进的人工蜂群算法在神经网络中的应用", 《计算机工程与应用》 * |
| 英红等: "基于BP神经网络的沥青路面裂缝识别方法研究", 《河南理工大学学报(自然科学版)》 * |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111047569A (zh) * | 2019-12-09 | 2020-04-21 | 北京联合大学 | 图像处理方法及装置 |
| CN111047569B (zh) * | 2019-12-09 | 2023-11-24 | 北京联合大学 | 图像处理方法及装置 |
| CN110952978A (zh) * | 2019-12-20 | 2020-04-03 | 西南石油大学 | 一种基于神经网络数据挖掘的钻井漏失裂缝宽度预测方法 |
| CN111861784A (zh) * | 2020-06-01 | 2020-10-30 | 大唐东北电力试验研究院有限公司 | 基于人工蜂群优化神经网络的光伏发电功率短期预测方法 |
| CN115100864A (zh) * | 2022-06-24 | 2022-09-23 | 北京联合大学 | 一种基于改进麻雀搜索算法的交通信号控制优化方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109615615A (zh) | 一种基于abc—bp神经网络的裂缝识别方法及系统 | |
| CN111553193B (zh) | 一种基于轻量级深层神经网络的视觉slam闭环检测方法 | |
| CN112308158B (zh) | 一种基于部分特征对齐的多源领域自适应模型及方法 | |
| CN108932535B (zh) | 一种基于机器学习的边缘计算克隆节点识别方法 | |
| CN108304316B (zh) | 一种基于协同迁移的软件缺陷预测方法 | |
| CN107330444A (zh) | 一种基于生成对抗网络的图像自动文本标注方法 | |
| CN108509976A (zh) | 动物的识别装置和方法 | |
| CN107463920A (zh) | 一种消除局部遮挡物影响的人脸识别方法 | |
| CN109615616A (zh) | 一种基于abc-pcnn的裂缝识别方法及系统 | |
| CN113221655B (zh) | 基于特征空间约束的人脸欺骗检测方法 | |
| CN108596211A (zh) | 一种基于集中学习与深度网络学习的遮挡行人再识别方法 | |
| CN109410184A (zh) | 基于稠密对抗网络半监督学习的直播色情图像检测方法 | |
| CN109214298A (zh) | 一种基于深度卷积网络的亚洲女性颜值评分模型方法 | |
| CN106295501A (zh) | 基于唇部运动的深度学习身份识别方法 | |
| CN110493262A (zh) | 一种改进分类的网络攻击检测方法及系统 | |
| CN114511912A (zh) | 基于双流卷积神经网络的跨库微表情识别方法及装置 | |
| CN110163130B (zh) | 一种用于手势识别的特征预对齐的随机森林分类系统及方法 | |
| CN114429646A (zh) | 基于深度自注意力变换网络的步态识别方法 | |
| CN108737429A (zh) | 一种网络入侵检测方法 | |
| CN111144497B (zh) | 基于美学分析的多任务深度网络下的图像显著性预测方法 | |
| CN111292062A (zh) | 基于网络嵌入的众包垃圾工人检测方法、系统及存储介质 | |
| CN115457622A (zh) | 基于身份不变特征的深度伪造人脸检测方法、系统及设备 | |
| CN113505692B (zh) | 基于受试者工作特征曲线下部分面积优化的人脸识别方法 | |
| CN110347579A (zh) | 基于神经元输出行为模式的深度学习测试用例的选择方法 | |
| CN115620050A (zh) | 一种基于气候室环境下改进的YOLOv5蚜虫识别计数方法 |
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 | ||
| AD01 | Patent right deemed abandoned |
Effective date of abandoning: 20231117 |
|
| AD01 | Patent right deemed abandoned |