CN118097207A - 海洋工程表面腐蚀图像识别方法及相关装置 - Google Patents
海洋工程表面腐蚀图像识别方法及相关装置 Download PDFInfo
- Publication number
- CN118097207A CN118097207A CN202410458263.0A CN202410458263A CN118097207A CN 118097207 A CN118097207 A CN 118097207A CN 202410458263 A CN202410458263 A CN 202410458263A CN 118097207 A CN118097207 A CN 118097207A
- Authority
- CN
- China
- Prior art keywords
- corrosion
- image
- color
- area
- module
- 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
- 230000007797 corrosion Effects 0.000 title claims abstract description 189
- 238000005260 corrosion Methods 0.000 title claims abstract description 189
- 238000000034 method Methods 0.000 title claims abstract description 56
- 230000008859 change Effects 0.000 claims abstract description 71
- 239000013598 vector Substances 0.000 claims abstract description 47
- 239000011159 matrix material Substances 0.000 claims abstract description 41
- 230000002776 aggregation Effects 0.000 claims abstract description 34
- 238000004220 aggregation Methods 0.000 claims abstract description 34
- 230000003746 surface roughness Effects 0.000 claims abstract description 33
- 230000011218 segmentation Effects 0.000 claims abstract description 19
- 230000004927 fusion Effects 0.000 claims abstract description 14
- 238000005286 illumination Methods 0.000 claims description 26
- 238000004364 calculation method Methods 0.000 claims description 19
- 238000004458 analytical method Methods 0.000 claims description 18
- 238000013507 mapping Methods 0.000 claims description 18
- 238000011176 pooling Methods 0.000 claims description 17
- 238000004891 communication Methods 0.000 claims description 16
- 210000002569 neuron Anatomy 0.000 claims description 16
- 210000004027 cell Anatomy 0.000 claims description 15
- 238000012937 correction Methods 0.000 claims description 11
- 239000000284 extract Substances 0.000 claims description 11
- 238000003709 image segmentation Methods 0.000 claims description 11
- 230000006870 function Effects 0.000 claims description 9
- 238000006243 chemical reaction Methods 0.000 claims description 5
- 230000009466 transformation Effects 0.000 claims description 5
- 238000000605 extraction Methods 0.000 claims description 4
- 238000007781 pre-processing Methods 0.000 claims description 4
- 230000002441 reversible effect Effects 0.000 claims description 4
- 238000005259 measurement Methods 0.000 claims description 3
- 230000004660 morphological change Effects 0.000 abstract description 10
- 230000008569 process Effects 0.000 description 8
- 238000010586 diagram Methods 0.000 description 5
- 238000002372 labelling Methods 0.000 description 5
- 239000000463 material Substances 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 230000002829 reductive effect Effects 0.000 description 4
- 238000012549 training Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 239000003086 colorant Substances 0.000 description 3
- 230000002860 competitive effect Effects 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 230000018109 developmental process Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 230000003628 erosive effect Effects 0.000 description 2
- 238000005530 etching Methods 0.000 description 2
- 230000000670 limiting effect Effects 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 230000004071 biological effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000008602 contraction Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- JEIPFZHSYJVQDO-UHFFFAOYSA-N iron(III) oxide Inorganic materials O=[Fe]O[Fe]=O JEIPFZHSYJVQDO-UHFFFAOYSA-N 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000011022 operating instruction Methods 0.000 description 1
- 230000001681 protective effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 150000003839 salts Chemical class 0.000 description 1
- 239000013535 sea water Substances 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 238000011179 visual inspection Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
- 230000003442 weekly effect Effects 0.000 description 1
Landscapes
- Image Processing (AREA)
Abstract
本发明公开了一种海洋工程表面腐蚀图像识别方法及相关装置,其中方法包括:按预设周期连续获取海洋工程表面图像;基于颜色聚合向量和超像素分割融合算法捕捉海洋工程表面图像中腐蚀区域的颜色信息;基于灰度共生矩阵算法提取腐蚀区域的表面粗糙度和结构变化信息;通过区域生长法计算腐蚀区域的面积;通过傅里叶描述符捕捉腐蚀区域的轮廓和形态变化信息;将预设周期的多个腐蚀区域的颜色信息、表面粗糙度、结构变化信息、面积、轮廓和形态变化信息输入腐蚀图像识别模型,输出腐蚀区域的位置、面积以及形状。本发明通过腐蚀图像识别模型综合考虑了腐蚀区域的颜色、粗糙度、结构变化、面积、轮廓和形态变化等特征,提高了腐蚀图像的识别精度。
Description
技术领域
本发明涉及图像识别技术领域,具体涉及一种海洋工程表面腐蚀图像识别方法及装置。
背景技术
随着海洋工程建设的快速发展,海洋工程设施在长期使用过程中不可避免地会出现腐蚀现象。腐蚀不仅会影响设施的使用寿命和安全性,还可能引发严重的安全事故。因此,对海洋工程表面腐蚀情况进行及时、准确的识别具有重要意义。
传统的海洋工程表面腐蚀识别方法主要依赖于人工巡检和目视检查。不仅效率低下而且容易受到人为因素的影响,导致识别结果不准确。近年来,随着计算机视觉和图像处理技术的发展,越来越多的研究者开始尝试将其应用于海洋工程表面腐蚀识别中。
现有的一些研究方法主要关注腐蚀区域的颜色或纹理特征,而忽略了其他重要的信息,如表面粗糙度、结构变化、面积、轮廓和形态变化等,导致识别结果的不准确,无法有效捕捉腐蚀区域的细微变化。以及,由于基于特定数据集进行训练,当面对不同环境、不同腐蚀程度的海洋工程表面图像时,其泛化能力受到限制。
因此,如何研发一种更为全面、准确的海洋工程表面腐蚀图像识别方法及相关装置,以更好地满足海洋工程维护和管理的需求,成为亟需解决的问题。
发明内容
鉴于上述问题,提出了本发明以便提供一种克服上述海洋工程表面腐蚀图像识别准确率较低问题的海洋工程表面腐蚀图像识别方法及装置。
根据本发明的一个方面,提供了一种海洋工程表面腐蚀图像识别方法,包括:
按预设周期连续获取海洋工程表面图像,根据光照校正算法减小因光照不均对所述海洋工程表面图像的影响,根据图像分割算法去除所述海洋工程表面图像的背景干扰;
基于颜色聚合向量和超像素分割融合算法捕捉所述海洋工程表面图像中腐蚀区域的颜色信息;基于灰度共生矩阵算法提取所述腐蚀区域的表面粗糙度和结构变化信息;通过区域生长法计算所述腐蚀区域的面积;通过傅里叶描述符捕捉所述腐蚀区域的轮廓和形态变化信息;
将所述预设周期的多个所述腐蚀区域的颜色信息、表面粗糙度、结构变化信息、面积、轮廓和形态变化信息输入腐蚀图像识别模型,输出腐蚀区域的位置、面积以及形状;其中,所述腐蚀图像识别模型包括卷积自编码器模块、重构模块、自组织映射SOM模块以及分析自编码器模块。
在一种可选的方式中,所述卷积自编码器模块包括编码器模块与解码器模块,其中,所述编码器模块包括多个堆叠的输入层、卷积层、池化层,所述解码器模块包括反卷积层、反池化层以及输出层;
所述重构模块利用所述解码器模块生成重构图像,包括反卷积层、反池化层和卷积层;
所述自组织映射SOM模块包括输入层以及竞争层,所述竞争层由多个神经元组成,每个神经元对应一个位置信息;
所述分析自编码器模块包括编码器模块、解码器模块以及中间转换层。
在一种可选的方式中,所述自组织映射SOM模块提取聚类中心之后,所述方法还包括:
将所述聚类中心作为DBSCAN聚类算法的初始聚类中心,或者将SOM网格单元中的数据点作为DBSCAN聚类算法的输入数据;
根据数据的密度分布进行聚类,将相邻且密度高于阈值的数据点划分为同一个簇并排除噪声点。
在一种可选的方式中,所述颜色聚合向量包括聚合像素和非聚合像素的颜色空间;
所述颜色空间被量化为多个颜色区间,则颜色聚合向量表示为:
,
其中,表示第i个超像素区域内第j个色区间的聚合像素数量,/>表示第i个超像素区域内第j个颜色区间的非聚合像素数量;m为颜色区间的数量;
基于颜色聚合向量,计算不同超像素区域之间的颜色差异,所述颜色聚合向量的计算公式为:
,
表示第i个和第j个超像素区域之间的颜色差异。
在一种可选的方式中,所述基于灰度共生矩阵算法提取所述腐蚀区域的表面粗糙度和结构变化信息进一步包括:
分别计算0°、45°、90°和135°四个方向上的灰度共生矩阵;
在每个方向上统计具有预设灰度级和预设空间关系的像素对出现的频率,构建各个方向上的灰度共生矩阵;
分别提取各个方向上的灰度共生矩阵的反差、能量、熵、相关性特征量;
其中,反差衡量矩阵值的分布情况和图像的局部变化,其计算公式为:
,
其中,G是灰度级数量,P(n,m) 是灰度共生矩阵中的元素, p是常数,取1或2。
能量反映图像灰度分布均匀程度和纹理粗细度,其计算公式为:
,
熵衡量图像中信息的随机性,反映图像纹理的复杂程度,其计算公式为:
,
相关性反映矩阵元素在行或列方向上的相似程度,即图像中局部灰度相关性,其计算公式为:
,
其中,和/>是P(n,m) 的均值,/>和/>是 P(n,m)的标准差。
在一种可选的方式中,所述通过傅里叶描述符捕捉所述腐蚀区域的轮廓和形态变化信息进一步包括:
采用Sobel算子提取所述腐蚀区域的边缘点;
对归一化后的边缘信息进行傅里叶变换,将边缘点的横坐标作为实部,纵坐标作为虚部,对由实部和虚部组成的复数进行离散傅里叶变换得到边缘点时域变化结果;
从边缘点时域变换结果中提取傅里叶描述符,所述傅里叶描述符包括低频系数和高频系数;
通过比较不同时间的傅里叶描述符,分析腐蚀区域的轮廓和形态变化。
在一种可选的方式中,所述腐蚀图像识别模型的损失函数为:
,
其中,是重构损失,衡量原始图像和重构图像之间的差异,,/>是原始图像的第i个像素值,/>是重构图像的第i个像素值,N是图像中的像素总数;/>是SOM映射损失,鼓励相似的特征向量映射到相邻的网格单元,,/>和/>是映射到SOM网格上相邻单元的特征向量,/>是距离度量;/>是分析自编码器损失,/>, y是目标值,/>是分析自编码器的输出,task-specific loss为任务损失函数,,N是样本数量,/>是第i个样本的真实值,/>是预测的第i个样本的值概率;/>和/>是权重参数。
在一种可选的方式中,所述海洋工程表面图像为3D点云数据,所述自组织映射SOM模块的竞争层引入体素模型,所述体素模型的体素为四面体或六面体,所述竞争层的每个神经元对应于所述体素模型中的一个栅格位置。
根据本发明的另一方面,提供了一种海洋工程表面腐蚀图像识别装置,包括:
预处理模块,用于按预设周期连续获取海洋工程表面图像,根据光照校正算法减小因光照不均对所述海洋工程表面图像的影响,根据图像分割算法去除所述海洋工程表面图像的背景干扰;
提取模块,用于基于颜色聚合向量和超像素分割融合算法捕捉所述海洋工程表面图像中腐蚀区域的颜色信息;基于灰度共生矩阵算法提取所述腐蚀区域的表面粗糙度和结构变化信息;通过区域生长法计算所述腐蚀区域的面积;通过傅里叶描述符捕捉所述腐蚀区域的轮廓和形态变化信息;
输出模块,用于将所述预设周期的多个所述腐蚀区域的颜色信息、表面粗糙度、结构变化信息、面积、轮廓和形态变化信息输入腐蚀图像识别模型,输出腐蚀区域的位置、面积以及形状;其中,所述腐蚀图像识别模型包括卷积自编码器模块、重构模块、自组织映射SOM模块以及分析自编码器模块。
根据本发明的又一方面,提供了一种计算设备,包括:处理器、存储器、通信接口和通信总线,所述处理器、所述存储器和所述通信接口通过所述通信总线完成相互间的通信;
所述存储器用于存放至少一可执行指令,所述可执行指令使所述处理器执行上述海洋工程表面腐蚀图像识别方法对应的操作。
根据本发明提供的方案,按预设周期连续获取海洋工程表面图像,根据光照校正算法减小因光照不均对所述海洋工程表面图像的影响,根据图像分割算法去除所述海洋工程表面图像的背景干扰;基于颜色聚合向量和超像素分割融合算法捕捉所述海洋工程表面图像中腐蚀区域的颜色信息;基于灰度共生矩阵算法提取所述腐蚀区域的表面粗糙度和结构变化信息;通过区域生长法计算所述腐蚀区域的面积;通过傅里叶描述符捕捉所述腐蚀区域的轮廓和形态变化信息;将所述预设周期的多个所述腐蚀区域的颜色信息、表面粗糙度、结构变化信息、面积、轮廓和形态变化信息输入腐蚀图像识别模型,输出腐蚀区域的位置、面积以及形状;其中,所述腐蚀图像识别模型包括卷积自编码器模块、重构模块、自组织映射SOM模块以及分析自编码器模块。
本发明结合颜色聚合向量和超像素分割融合算法,能够准确捕捉腐蚀区域的颜色信息;通过灰度共生矩阵算法提取腐蚀区域的表面粗糙度和结构变化信息,进一步丰富了腐蚀区域的特征描述。通过傅里叶描述符则能够捕捉腐蚀区域的轮廓和形态变化信息,提取的腐蚀区域特征更加全面、细致。腐蚀图像识别模型包括卷积自编码器模块、重构模块、自组织映射SOM模块以及分析自编码器模块,该模型无需依赖大量标注样本进行训练,而是通过无监督学习的方式,自动从输入的特征信息中提取有用的腐蚀特征,同时进一步提升了腐蚀区域的识别能力和准确性。
上述说明仅是本发明技术方案的概述,为了能够更清楚了解本发明的技术手段,而可依照说明书的内容予以实施,并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂,以下特举本发明的具体实施方式。
附图说明
通过阅读下文优选实施方式的详细描述,各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的,而并不认为是对本发明的限制。而且在整个附图中,用相同的参考符号表示相同的部件。在附图中:
图1示出了本发明实施例的海洋工程表面腐蚀图像识别方法的流程示意图;
图2示出了本发明实施例的海洋工程表面腐蚀图像识别装置的结构示意图;
图3示出了本发明实施例的计算设备的结构示意图。
具体实施方式
下面将参照附图更详细地描述本发明的示例性实施例。虽然附图中显示了本发明的示例性实施例,然而应当理解,可以以各种形式实现本发明而不应被这里阐述的实施例所限制。相反,提供这些实施例是为了能够更透彻地理解本发明,并且能够将本发明的范围完整的传达给本领域的技术人员。
图1示出了本发明实施例的海洋工程表面腐蚀图像识别方法的流程示意图。具体地,如图1所示,包括以下步骤:
步骤S101,按预设周期连续获取海洋工程表面图像,根据光照校正算法减小因光照不均对所述海洋工程表面图像的影响,根据图像分割算法去除所述海洋工程表面图像的背景干扰。
本实施例中,首先按预设周期连续获取海洋工程表面图像。考虑到海洋环境的复杂性和特殊性,根据海洋工程的实际情况部署水下图像采集设备。对于大型设施,如桥梁、码头等,设置多个摄像头,以覆盖不同的区域和角度。对于小型设施或局部区域,设置单个摄像头进行定点监测。对于腐蚀性较强的海洋环境或重要的设施,设定较短的采集周期,如每天或每小时采集一次图像;而对于腐蚀性较弱或维护要求不高的设施,设定较长的采集周期,如每周或每月采集一次图像。在设定好采集周期后,图像采集设备将按照预设的时间间隔自动拍摄海洋工程表面的图像。此外,还可根据水流速度、海水的清澈度、生物活动情况等设定合适的图像采集周期。以及,根据不同深度的水下光线条件自动调整水下相机的曝光、白平衡和对比度,以获得最佳的图像效果。
如表1所示,以某海洋工程桥梁为例,在该桥梁上选择了四个水下高清防水摄像头,分别安装在桥梁的四个不同位置,以覆盖桥梁的主要区域和关键部位。每个摄像头配备防水罩和防护罩,以应对海洋环境中的盐雾、腐蚀等因素。考虑到该桥梁所处的海洋环境腐蚀性较强,且桥梁作为重要的交通设施,对安全性要求较高,每天凌晨0点自动拍摄一次桥梁表面的图像。将桥梁表面的图像数据通过无线网络实时传输到数据处理中心。
表1
然后,根据光照校正算法减小因光照不均对所述海洋工程表面图像的影响,根据图像分割算法去除所述海洋工程表面图像的背景干扰。在海洋工程表面图像的获取过程中,光照不均和背景干扰是两个常见的问题,严重影响图像的质量和后续处理的准确性。针对光照不均的问题,采用光照校正算法调整图像中不同区域的亮度,使整个图像的亮度分布更加均匀。具体地,分析图像中不同区域的光照强度,估计出整体的光照分布情况。根据估计出的光照分布情况对图像中亮度过低或过高的区域进行补偿。针对背景干扰的问题,采用图像分割算法将图像中的前景(即海洋工程表面)与背景分离。
步骤S102,基于颜色聚合向量和超像素分割融合算法捕捉所述海洋工程表面图像中腐蚀区域的颜色信息;基于灰度共生矩阵算法提取所述腐蚀区域的表面粗糙度和结构变化信息;通过区域生长法计算所述腐蚀区域的面积;通过傅里叶描述符捕捉所述腐蚀区域的轮廓和形态变化信息。
本实施例中,将腐蚀区域的颜色信息、表面粗糙度、结构变化信息、面积、轮廓和形态变化信息进行特征融合,可以提高腐蚀区域识别的准确性和可靠性。其中,颜色信息指的是腐蚀区域在图像中所呈现的颜色特征。腐蚀往往会导致材料表面的颜色发生变化,如变为暗色、生锈色等。通过提取和分析这些颜色特征,可以初步识别和定位腐蚀区域。表面粗糙度反映表面微小峰谷的间距和高度变化。腐蚀会导致材料表面变得粗糙。通过测量和分析表面粗糙度,可以间接判断腐蚀的程度和分布情况。结构变化信息是指由于腐蚀导致的材料内部或表面的结构变化。这些变化可能表现为裂纹、孔洞或材料的疏松化。通过捕捉这些结构变化,可以更深入地了解腐蚀对材料性能的影响。面积指的是腐蚀区域在图像中所占的像素数量或实际尺寸。通过计算和分析腐蚀区域的面积,可以评估腐蚀的严重程度和扩展速度。轮廓是图像中不同颜色或亮度区域之间的边界。在腐蚀区域中,轮廓可以反映出腐蚀区域与周围正常区域的分界线。通过提取和分析腐蚀区域的轮廓,可以了解腐蚀区域的形状、大小和分布特点,进一步揭示腐蚀的发展规律。形态变化信息是指腐蚀区域在形态上的变化,如形状、大小、方向等的变化。通过捕捉和分析这些形态变化,可以了解腐蚀的发展过程和趋势。
为了捕捉海洋工程表面图像中腐蚀区域的颜色信息,结合颜色聚合向量(ColorCoherence Vector, CCV)和超像素分割(Superpixel Segmentation)融合算法提取腐蚀区域的颜色特征。其中,超像素分割是将图像分割成多个有意义的、同质的像素组(即超像素)。在海洋工程表面图像中,超像素分割能够将腐蚀区域与非腐蚀区域进行初步区分。颜色聚合向量(CCV)是基于颜色直方图的改进方法,考虑了颜色的空间聚合性。通过计算每个超像素的颜色直方图并结合颜色聚合性,可以得到每个超像素的颜色聚合向量,能够描述超像素的颜色分布和颜色聚合特性。具体地,包括以下步骤:
步骤一:对海洋工程表面图像进行超像素分割,得到多个超像素区域。
步骤二:计算每个超像素的颜色直方图,得到每个超像素的初始颜色特征。
步骤三:根据颜色聚合性,对颜色直方图进行聚合处理,得到每个超像素的颜色聚合向量。
步骤四:根据腐蚀区域的颜色特性,设定合适的阈值或分类器,对颜色聚合向量进行分类,可以初步识别出腐蚀区域和非腐蚀区域。
接着,基于灰度共生矩阵算法提取所述腐蚀区域的表面粗糙度和结构变化信息。灰度共生矩阵(Gray Level Co-occurrence Matrix,GLCM)可以描述图像中灰度级空间相关性和相对位置关系,通过分析矩阵中的统计特征,可以获取有关图像纹理和结构的重要信息。例如,通过计算灰度共生矩阵的如对比度、相关性、能量和熵统计量,可以量化图像的纹理粗糙程度。
然后,通过区域生长法计算所述腐蚀区域的面积。区域生长法基于像素之间的相似性和连通性扩展和合并区域。具体地,在腐蚀区域中选择一个或多个种子点。这些种子点通常位于腐蚀区域的内部,可以通过颜色、亮度或其他特征初步确定。设定相似性准则(如基于像素的颜色、亮度、纹理)判断哪些像素应该被归入同一区域。从种子点开始,检查其邻域内的像素。如果邻域像素满足相似性准则,则将其加入当前区域,并更新种子点列表,将新加入的像素作为新的种子点。重复上述过程,不断扩展区域,直到没有更多的像素满足相似性准则为止。在区域生长完成后,统计属于腐蚀区域的像素数量。该像素数量即腐蚀区域的面积。通过区域生长法计算腐蚀区域的面积,可以定量地评估腐蚀的严重程度和范围。
最后,通过傅里叶描述符捕捉所述腐蚀区域的轮廓和形态变化信息。傅里叶描述符描述形状和轮廓的边界信息。傅里叶描述符基于傅里叶变换原理,将形状边界的坐标信息转换为频域中的系数,从而能够捕捉形状的轮廓和形态变化。具体地,对腐蚀区域的二值化边界进行归一化处理,将边界的质心移动到坐标原点,并旋转边界使其主方向与坐标轴对齐。对归一化后的边界坐标进行傅里叶变换。计算边界坐标的复数表示(将实部x和虚部y坐标组合成复数)。傅里叶变换后得到的系数即为傅里叶描述符,包含边界形状的频率信息,低频系数描述形状的整体结构,高频系数则反映形状的细节变化。通过比较不同时间或不同区域的傅里叶描述符,可以分析腐蚀区域的轮廓和形态变化(描述符的变化指示腐蚀区域的扩展、收缩或形状的不规则变化等)。例如,通过计算描述符之间的相关系数量化形状的差异。通过傅里叶描述符捕捉腐蚀区域的轮廓和形态变化信息,可以更深入地了解腐蚀区域的形状特征和变化规律。
在一种可选的方式中,所述颜色聚合向量包括聚合像素和非聚合像素的颜色空间;
所述颜色空间被量化为多个颜色区间,则颜色聚合向量表示为:
,
其中,表示第i个超像素区域内第j个颜色区间的聚合像素数量,/>表示第i个超像素区域内第j个颜色区间的非聚合像素数量;m为颜色区间的数量;
基于颜色聚合向量,计算不同超像素区域之间的颜色差异,所述颜色聚合向量的计算公式为:
,
表示第i个和第j个超像素区域之间的颜色差异。
本实施例中,颜色聚合向量由两部分组成:聚合像素和非聚合像素的颜色空间信息。某些像素因为颜色或空间上的相似性而聚集在一起,形成较大的、颜色一致的区域,这些像素被称为聚合像素。与聚合像素相反,非聚合像素是孤立存在的,或者在颜色上与周围像素有显著差异。为了量化这些像素的颜色信息,颜色空间被量化为多个颜色区间。每个颜色区间代表了一个特定的颜色范围。通过统计每个超像素区域内不同颜色区间的聚合像素和非聚合像素数量构建颜色聚合向量。每个超像素区域对应一个颜色聚合向量,描述该区域内聚合像素和非聚合像素在不同颜色区间的分布情况。基于上述颜色聚合向量,计算不同超像素区域之间的颜色差异以识别腐蚀区域。由此可以定量评估不同超像素区域在颜色分布上的相似性或差异性。如果两个超像素区域的颜色差异很大,则属于不同的区域(比如正常区域和腐蚀区域)。反之,如果颜色差异很小,则属于相似的区域。
在一种可选的方式中,所述基于灰度共生矩阵算法提取所述腐蚀区域的表面粗糙度和结构变化信息进一步包括:
分别计算0°、45°、90°和135°四个方向上的灰度共生矩阵;
在每个方向上统计具有预设灰度级和预设空间关系的像素对出现的频率,构建各个方向上的灰度共生矩阵;
分别提取各个方向上的灰度共生矩阵的反差、能量、熵、相关性特征量。
具体地,选择灰度级数量(影响灰度共生矩阵的大小和计算复杂度),选择偏移距离(影响灰度共生矩阵的结果,较小的偏移距离值反映图像的细节纹理,而较大的偏移距离反映图像的整体结构),遍历图像中的每个像素,对于每个像素,根据所选的方向(0°、45°、90°和135°四个方向)和距离,找到对应的共生像素,统计具有特定灰度级和特定空间关系的像素对出现的频率;构建灰度共生矩阵。分别提取各个方向上的灰度共生矩阵的反差、能量、熵、相关性特征量。
其中,反差(Contrast)衡量矩阵值的分布情况和图像的局部变化,其计算公式为:
,
其中,G是灰度级数量,P(n,m) 是灰度共生矩阵中的元素, p是常数,取1或2。
能量(Energy)反映图像灰度分布均匀程度和纹理粗细度,其计算公式为:
,
熵(Entropy)衡量图像中信息的随机性,反映图像纹理的复杂程度,其计算公式为:
,
相关性(Correlation)反映矩阵元素在行或列方向上的相似程度,即图像中局部灰度相关性,其计算公式为:
,
其中,和/>是P(n,m) 的均值,/>和/>是 P(n,m)的标准差。
在一种可选的方式中,所述通过傅里叶描述符捕捉所述腐蚀区域的轮廓和形态变化信息进一步包括:
采用Sobel算子提取所述腐蚀区域的边缘点;
对归一化后的边缘信息进行傅里叶变换,将边缘点的横坐标作为实部,纵坐标作为虚部,对由实部和虚部组成的复数进行离散傅里叶变换得到边缘点时域变化结果;
从边缘点时域变换结果中提取傅里叶描述符,所述傅里叶描述符包括低频系数和高频系数;
通过比较不同时间的傅里叶描述符,分析腐蚀区域的轮廓和形态变化。
本实施例中,Sobel算子基于图像灰度的一阶或二阶导数运算,通过计算图像亮度函数的近似梯度寻找边缘。Sobel算子包含两组3x3的卷积核,一个用于检测水平边缘,另一个用于检测垂直边缘。通过将这两个卷积核与图像进行卷积,可以得到图像中每个点的水平方向梯度和垂直方向梯度,进而得到梯度的幅值和方向。通过设定合适的阈值,将梯度幅值超过该阈值的点视为边缘点,从而提取出腐蚀区域的边缘点。由于图像尺寸和边缘点数量可能不同,直接进行傅里叶变换导致结果不可比。因此,首先对提取的边缘信息进行归一化处理,确保它们在相同的尺度下进行比较。归一化后,将边缘点的横坐标作为实部,纵坐标作为虚部,构造复数序列。对该复数序列进行离散傅里叶变换得到边缘点时域变化结果。傅里叶描述符是通过对DFT结果中的系数进行选取得到的。低频系数代表形状的整体结构,而高频系数则反映形状的细节。通过比较不同时间的傅里叶描述符(计算描述符之间的距离或相似度)。如果两个时间的描述符差异较大,说明腐蚀区域的轮廓或形态发生了显著变化;如果差异较小,则说明变化不大。
步骤S103,将所述预设周期的多个所述腐蚀区域的颜色信息、表面粗糙度、结构变化信息、面积、轮廓和形态变化信息输入腐蚀图像识别模型,输出腐蚀区域的位置、面积以及形状;其中,所述腐蚀图像识别模型包括卷积自编码器模块、重构模块、自组织映射SOM模块以及分析自编码器模块。
本实施例中,根据预设周期的多个所述腐蚀区域的颜色信息、表面粗糙度、结构变化信息、面积、轮廓和形态变化信息即可得到腐蚀区域的位置、面积以及形状。综合考虑了多种因素,提高了腐蚀检测的准确性。
腐蚀图像识别模型包括卷积自编码器模块、重构模块、自组织映射SOM模块以及分析自编码器模块。其中,卷积自编码器模块通过自编码器的结构能够自动从输入的腐蚀图像数据中提取出有用的特征,而无需依赖人工标注的样本。重构模块通过尝试重构输入的腐蚀图像验证和优化卷积自编码器模块提取的特征。能够泛化到未见过的腐蚀情况。自组织映射SOM模块将高维的腐蚀图像特征映射到低维空间中,形成有意义的聚类结果。由于SOM模块是基于无监督学习的方式进行的,因此不需要标注样本的指导,就能够自动发现腐蚀区域的内在结构。分析自编码器模块负责对提取的腐蚀特征进行分析和解释,输出腐蚀区域的位置、面积以及形状等详细信息。这一过程中,同样不依赖于标注样本,而是通过对大量腐蚀图像数据的学习,逐渐掌握腐蚀区域的识别规律。
在一种可选的方式中,所述卷积自编码器模块包括编码器模块与解码器模块,其中,所述编码器模块包括多个堆叠的输入层、卷积层、池化层,所述解码器模块包括反卷积层、反池化层以及输出层;
所述重构模块利用所述解码器模块生成重构图像,包括反卷积层、反池化层和卷积层;
所述自组织映射SOM模块包括输入层以及竞争层,所述竞争层由多个神经元组成,每个神经元对应一个位置信息;
所述分析自编码器模块包括编码器模块、解码器模块以及中间转换层。
本实施例中,首先,卷积自编码器模块中的编码器模块接收包含腐蚀区域信息的图像作为输入层的输入,卷积层对输入图像进行卷积操作,提取出初级的腐蚀特征。随后通过池化层进行下采样,减少数据维度。经过多个卷积和池化层的堆叠处理,编码器模块能够逐步提取出更深层次的腐蚀特征。解码器模块接收编码器模块输出的特征图。反卷积层对特征图进行反卷积操作,恢复图像的空间分辨率。反池化层根据编码器中的池化操作还原特征图的原始尺寸。输出层生成重构后的腐蚀图像。
然后,重构模块中的反卷积层和反池化层接收卷积自编码器模块中解码器模块的输出(即重构图像),以得到更准确的腐蚀特征表示。卷积层对优化后的重构图像进行卷积操作,提取出用于验证的特征信息。
接着,自组织映射SOM模块中的输入层接收重构模块输出的腐蚀特征。竞争层中的神经元通过竞争学习的方式对输入特征进行聚类。每个神经元对应一个位置信息,通过不断调整权重和连接关系,将相似的特征映射到相近的位置上,形成低维空间中的聚类结果。
最后,分析自编码器模块中的编码器模块同时接收卷积自编码器模块与自组织映射SOM模块的输入,提取更深层次的腐蚀特征。解码器模块对编码器模块输出的特征进行解码和重构。中间转换层连接编码器模块和解码器模块。
在一种可选的方式中,所述自组织映射SOM模块提取聚类中心之后,所述方法还包括:
将所述聚类中心作为DBSCAN聚类算法的初始聚类中心,或者将SOM网格单元中的数据点作为DBSCAN聚类算法的输入数据;
根据数据的密度分布进行聚类,将相邻且密度高于阈值的数据点划分为同一个簇并排除噪声点。
本实施例中,结合自组织映射(SOM)模块和DBSCAN聚类算法,进一步提升腐蚀区域识别的准确性。SOM模块通过无监督学习的方式将输入的特征映射到低维空间中,形成有意义的聚类结果,而DBSCAN则是一种基于密度的聚类算法,能够发现任意形状的簇并排除噪声点。
具体地,通过SOM模块对腐蚀特征进行聚类,得到一系列的聚类中心,代表不同腐蚀区域在特征空间中的位置。将这些聚类中心作为DBSCAN聚类算法的初始聚类中心。DBSCAN算法会根据这些初始中心开始扩展簇,将相邻且密度高于阈值的数据点划入相应的簇中。使用SOM的聚类中心作为DBSCAN的初始聚类中心可以加速聚类过程,因为初始中心已经接近真实的腐蚀区域中心,减少了DBSCAN算法在数据空间中随机搜索的时间。在SOM模块中,每个网格单元会收集到一定数量的数据点,这些数据点具有相似的特征,并对应于图像中的特定区域。提取每个SOM网格单元中的数据点,将其作为DBSCAN聚类算法的输入数据。DBSCAN算法根据输入数据的密度分布进行聚类,计算每个数据点的局部密度,并将相邻且密度高于阈值的数据点划分为同一个簇,同时排除不属于任何簇的孤立点。通过将SOM网格单元中的数据点作为DBSCAN的输入。
在一种可选的方式中,所述腐蚀图像识别模型的损失函数为:
,
其中,是重构损失,衡量原始图像和重构图像之间的差异,,/>是原始图像的第i个像素值,/>是重构图像的第i个像素值,N是图像中的像素总数;/>是SOM映射损失,鼓励相似的特征向量映射到相邻的网格单元,,/>和/>是映射到SOM网格上相邻单元的特征向量,/>是距离度量;/>是分析自编码器损失,/>, y是目标值,/>是分析自编码器的输出,task-specific loss为任务损失函数,/>,N是样本数量,/>是第i个样本的真实值,是预测的第i个样本的值概率;/>和/>是权重参数。
在一种可选的方式中,所述海洋工程表面图像为3D点云数据,所述自组织映射SOM模块的竞争层引入体素模型,所述体素模型的体素为四面体或六面体,所述竞争层的每个神经元对应于所述体素模型中的一个栅格位置。
本实施例中,引入体素模型到自组织映射(SOM)模块的竞争层,能够进一步提高腐蚀图像识别的准确性。其中,体素模型是一种用于表示3D空间中的离散数据结构的方法。在体素模型中,空间被划分为一系列小的立方体(六面体)或四面体栅格,每个栅格代表一个体素,并包含有关该空间位置的信息。通过将体素模型引入SOM模块的竞争层,可以将每个神经元与体素模型中的一个栅格位置相对应,从而实现对3D点云数据的直接映射和聚类。克服了传统SOM模块在处理3D数据时遇到的局限性。通过将神经元与体素栅格位置对应,模型能够更好地捕捉3D点云数据的空间分布和特征。由于体素模型能够精确表示3D空间中的位置信息,因此结合SOM模块的聚类能力,可以更准确地识别和定位腐蚀区域。
根据本发明提供的方案,按预设周期连续获取海洋工程表面图像,根据光照校正算法减小因光照不均对所述海洋工程表面图像的影响,根据图像分割算法去除所述海洋工程表面图像的背景干扰;基于颜色聚合向量和超像素分割融合算法捕捉所述海洋工程表面图像中腐蚀区域的颜色信息;基于灰度共生矩阵算法提取所述腐蚀区域的表面粗糙度和结构变化信息;通过区域生长法计算所述腐蚀区域的面积;通过傅里叶描述符捕捉所述腐蚀区域的轮廓和形态变化信息;将所述预设周期的多个所述腐蚀区域的颜色信息、表面粗糙度、结构变化信息、面积、轮廓和形态变化信息输入腐蚀图像识别模型,输出腐蚀区域的位置、面积以及形状;其中,所述腐蚀图像识别模型包括卷积自编码器模块、重构模块、自组织映射SOM模块以及分析自编码器模块。本发明结合颜色聚合向量和超像素分割融合算法,能够准确捕捉腐蚀区域的颜色信息;通过灰度共生矩阵算法提取腐蚀区域的表面粗糙度和结构变化信息,进一步丰富了腐蚀区域的特征描述。通过傅里叶描述符则能够捕捉腐蚀区域的轮廓和形态变化信息,提取的腐蚀区域特征更加全面、细致。腐蚀图像识别模型包括卷积自编码器模块、重构模块、自组织映射SOM模块以及分析自编码器模块,该模型无需依赖大量标注样本进行训练,而是通过无监督学习的方式,自动从输入的特征信息中提取有用的腐蚀特征,同时进一步提升了腐蚀区域的识别能力和准确性。
图2示出了本发明实施例的海洋工程表面腐蚀图像识别装置的结构示意图。海洋工程表面腐蚀图像识别装置包括:预处理模块210、提取模块220以及输出模块230。
所述预处理模块210,用于按预设周期连续获取海洋工程表面图像,根据光照校正算法减小因光照不均对所述海洋工程表面图像的影响,根据图像分割算法去除所述海洋工程表面图像的背景干扰;
所述提取模块220,用于基于颜色聚合向量和超像素分割融合算法捕捉所述海洋工程表面图像中腐蚀区域的颜色信息;基于灰度共生矩阵算法提取所述腐蚀区域的表面粗糙度和结构变化信息;通过区域生长法计算所述腐蚀区域的面积;通过傅里叶描述符捕捉所述腐蚀区域的轮廓和形态变化信息;
所述输出模块230,用于将所述预设周期的多个所述腐蚀区域的颜色信息、表面粗糙度、结构变化信息、面积、轮廓和形态变化信息输入腐蚀图像识别模型,输出腐蚀区域的位置、面积以及形状;其中,所述腐蚀图像识别模型包括卷积自编码器模块、重构模块、自组织映射SOM模块以及分析自编码器模块。
在一种可选的方式中,所述卷积自编码器模块包括编码器模块与解码器模块,其中,所述编码器模块包括多个堆叠的输入层、卷积层、池化层,所述解码器模块包括反卷积层、反池化层以及输出层;
所述重构模块利用所述解码器模块生成重构图像,包括反卷积层、反池化层和卷积层;
所述自组织映射SOM模块包括输入层以及竞争层,所述竞争层由多个神经元组成,每个神经元对应一个位置信息;
所述分析自编码器模块包括编码器模块、解码器模块以及中间转换层。
在一种可选的方式中,所述自组织映射SOM模块提取聚类中心之后,所述方法还包括:
将所述聚类中心作为DBSCAN聚类算法的初始聚类中心,或者将SOM网格单元中的数据点作为DBSCAN聚类算法的输入数据;
根据数据的密度分布进行聚类,将相邻且密度高于阈值的数据点划分为同一个簇并排除噪声点。
在一种可选的方式中,所述颜色聚合向量包括聚合像素和非聚合像素的颜色空间;
所述颜色空间被量化为多个颜色区间,则颜色聚合向量表示为:
,
其中,表示第i个超像素区域内第j个颜色区间的聚合像素数量,/>表示第i个超像素区域内第j个颜色区间的非聚合像素数量;m为颜色区间的数量;
基于颜色聚合向量,计算不同超像素区域之间的颜色差异,所述颜色聚合向量的计算公式为:
,
表示第i个和第j个超像素区域之间的颜色差异。
在一种可选的方式中,所述基于灰度共生矩阵算法提取所述腐蚀区域的表面粗糙度和结构变化信息进一步包括:
分别计算0°、45°、90°和135°四个方向上的灰度共生矩阵;
在每个方向上统计具有预设灰度级和预设空间关系的像素对出现的频率,构建各个方向上的灰度共生矩阵;
分别提取各个方向上的灰度共生矩阵的反差、能量、熵、相关性特征量;
其中,反差衡量矩阵值的分布情况和图像的局部变化,其计算公式为:
,
其中,G是灰度级数量,P(n,m) 是灰度共生矩阵中的元素, p是常数,取1或2。
能量反映图像灰度分布均匀程度和纹理粗细度,其计算公式为:
,
熵衡量图像中信息的随机性,反映图像纹理的复杂程度,其计算公式为:
,
相关性反映矩阵元素在行或列方向上的相似程度,即图像中局部灰度相关性,其计算公式为:
,
其中,和/>是P(n,m) 的均值,/>和/>是 P(n,m)的标准差。
在一种可选的方式中,所述通过傅里叶描述符捕捉所述腐蚀区域的轮廓和形态变化信息进一步包括:
采用Sobel算子提取所述腐蚀区域的边缘点;
对归一化后的边缘信息进行傅里叶变换,将边缘点的横坐标作为实部,纵坐标作为虚部,对由实部和虚部组成的复数进行离散傅里叶变换得到边缘点时域变化结果;
从边缘点时域变换结果中提取傅里叶描述符,所述傅里叶描述符包括低频系数和高频系数;
通过比较不同时间的傅里叶描述符,分析腐蚀区域的轮廓和形态变化。
在一种可选的方式中,所述腐蚀图像识别模型的损失函数为:
,
其中,是重构损失,衡量原始图像和重构图像之间的差异,,/>是原始图像的第i个像素值,/>是重构图像的第i个像素值,N是图像中的像素总数;/>是SOM映射损失,鼓励相似的特征向量映射到相邻的网格单元,,/>和/>是映射到SOM网格上相邻单元的特征向量,/>是距离度量;/>是分析自编码器损失,/>, y是目标值,/>是分析自编码器的输出,task-specific loss为任务损失函数,,N是样本数量,/>是第i个样本的真实值,/>是预测的第i个样本的值概率;/>和/>是权重参数。/>
在一种可选的方式中,所述海洋工程表面图像为3D点云数据,所述自组织映射SOM模块的竞争层引入体素模型,所述体素模型的体素为四面体或六面体,所述竞争层的每个神经元对应于所述体素模型中的一个栅格位置。
图3示出了本发明计算设备实施例的结构示意图,本发明具体实施例并不对计算设备的具体实现做限定。
如图3所示,该计算设备可以包括:处理器(processor)302、通信接口(CommunicationsInterface)304、存储器(memory)306、以及通信总线308。
其中:处理器302、通信接口304、以及存储器306通过通信总线308完成相互间的通信。通信接口304,用于与其它设备比如客户端或其它服务器等的网元通信。处理器302,用于执行程序310,具体可以执行上述海洋工程表面腐蚀图像识别方法实施例中的相关步骤。
具体地,程序310可以包括程序代码,该程序代码包括计算机操作指令。
处理器302可能是中央处理器CPU,或者是特定集成电路ASIC(ApplicationSpecificIntegratedCircuit),或者是被配置成实施本发明实施例的一个或多个集成电路。计算设备包括的一个或多个处理器,可以是同一类型的处理器,如一个或多个CPU;也可以是不同类型的处理器,如一个或多个CPU以及一个或多个ASIC。
存储器306,用于存放程序310。存储器306可能包含高速RAM存储器,也可能还包括非易失性存储器(non-volatilememory),例如至少一个磁盘存储器。
根据本发明提供的方案,按预设周期连续获取海洋工程表面图像,根据光照校正算法减小因光照不均对所述海洋工程表面图像的影响,根据图像分割算法去除所述海洋工程表面图像的背景干扰;基于颜色聚合向量和超像素分割融合算法捕捉所述海洋工程表面图像中腐蚀区域的颜色信息;基于灰度共生矩阵算法提取所述腐蚀区域的表面粗糙度和结构变化信息;通过区域生长法计算所述腐蚀区域的面积;通过傅里叶描述符捕捉所述腐蚀区域的轮廓和形态变化信息;将所述预设周期的多个所述腐蚀区域的颜色信息、表面粗糙度、结构变化信息、面积、轮廓和形态变化信息输入腐蚀图像识别模型,输出腐蚀区域的位置、面积以及形状;其中,所述腐蚀图像识别模型包括卷积自编码器模块、重构模块、自组织映射SOM模块以及分析自编码器模块。本发明结合颜色聚合向量和超像素分割融合算法,能够准确捕捉腐蚀区域的颜色信息;通过灰度共生矩阵算法提取腐蚀区域的表面粗糙度和结构变化信息,进一步丰富了腐蚀区域的特征描述。通过傅里叶描述符则能够捕捉腐蚀区域的轮廓和形态变化信息,提取的腐蚀区域特征更加全面、细致。腐蚀图像识别模型包括卷积自编码器模块、重构模块、自组织映射SOM模块以及分析自编码器模块,该模型无需依赖大量标注样本进行训练,而是通过无监督学习的方式,自动从输入的特征信息中提取有用的腐蚀特征,同时进一步提升了腐蚀区域的识别能力和准确性。
本领域那些技术人员可以理解,可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件,以及此外可以把它们分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外,可以采用任何组合对本说明书(包括伴随的摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述,本说明书(包括伴随的摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。此外,本领域的技术人员能够理解,尽管在此的一些实施例包括其它实施例中所包括的某些特征而不是其它特征,但是不同实施例的特征的组合意味着处于本发明的范围之内并且形成不同的实施例。例如,在下面的权利要求书中,所要求保护的实施例的任意之一都可以以任意的组合方式来使用。本发明可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元中,这些装置中的若干个可以是通过同一个硬件项来具体体现。上述实施例中的步骤,除有特殊说明外,不应理解为对执行顺序的限定。
Claims (10)
1.一种海洋工程表面腐蚀图像识别方法,其特征在于,包括:
按预设周期连续获取海洋工程表面图像,根据光照校正算法减小因光照不均对所述海洋工程表面图像的影响,根据图像分割算法去除所述海洋工程表面图像的背景干扰;
基于颜色聚合向量和超像素分割融合算法捕捉所述海洋工程表面图像中腐蚀区域的颜色信息;基于灰度共生矩阵算法提取所述腐蚀区域的表面粗糙度和结构变化信息;通过区域生长法计算所述腐蚀区域的面积;通过傅里叶描述符捕捉所述腐蚀区域的轮廓和形态变化信息;
将所述预设周期的多个所述腐蚀区域的颜色信息、表面粗糙度、结构变化信息、面积、轮廓和形态变化信息输入腐蚀图像识别模型,输出腐蚀区域的位置、面积以及形状;其中,所述腐蚀图像识别模型包括卷积自编码器模块、重构模块、自组织映射SOM模块以及分析自编码器模块。
2.根据权利要求1所述的海洋工程表面腐蚀图像识别方法,其特征在于,所述卷积自编码器模块包括编码器模块与解码器模块,其中,所述编码器模块包括多个堆叠的输入层、卷积层、池化层,所述解码器模块包括反卷积层、反池化层以及输出层;
所述重构模块利用所述解码器模块生成重构图像,包括反卷积层、反池化层和卷积层;
所述自组织映射SOM模块包括输入层以及竞争层,所述竞争层由多个神经元组成,每个神经元对应一个位置信息;
所述分析自编码器模块包括编码器模块、解码器模块以及中间转换层。
3.根据权利要求1或2所述的海洋工程表面腐蚀图像识别方法,其特征在于,所述自组织映射SOM模块提取聚类中心之后,所述方法还包括:
将所述聚类中心作为DBSCAN聚类算法的初始聚类中心,或者将SOM网格单元中的数据点作为DBSCAN聚类算法的输入数据;
根据数据的密度分布进行聚类,将相邻且密度高于阈值的数据点划分为同一个簇并排除噪声点。
4.根据权利要求1所述的海洋工程表面腐蚀图像识别方法,其特征在于,所述颜色聚合向量包括聚合像素和非聚合像素的颜色空间;
所述颜色空间被量化为多个颜色区间,则颜色聚合向量表示为:
,
其中,表示第i个超像素区域内第j个颜色区间的聚合像素数量,/>表示第i个超像素区域内第j个颜色区间的非聚合像素数量;m为颜色区间的数量;
基于颜色聚合向量,计算不同超像素区域之间的颜色差异,所述颜色聚合向量的计算公式为:
,
表示第i个和第j个超像素区域之间的颜色差异。
5.根据权利要求1所述的海洋工程表面腐蚀图像识别方法,其特征在于,所述基于灰度共生矩阵算法提取所述腐蚀区域的表面粗糙度和结构变化信息进一步包括:
分别计算0°、45°、90°和135°四个方向上的灰度共生矩阵;
在每个方向上统计具有预设灰度级和预设空间关系的像素对出现的频率,构建各个方向上的灰度共生矩阵;
分别提取各个方向上的灰度共生矩阵的反差、能量、熵、相关性特征量;
其中,反差衡量矩阵值的分布情况和图像的局部变化,其计算公式为:
,
其中,G是灰度级数量,P(n,m) 是灰度共生矩阵中的元素, p是常数,取1或2;
能量反映图像灰度分布均匀程度和纹理粗细度,其计算公式为:
,
熵衡量图像中信息的随机性,反映图像纹理的复杂程度,其计算公式为:
,
相关性反映矩阵元素在行或列方向上的相似程度,即图像中局部灰度相关性,其计算公式为:
,
其中,和/>是P(n,m) 的均值,/>和/>是 P(n,m)的标准差。
6.根据权利要求1所述的海洋工程表面腐蚀图像识别方法,其特征在于,所述通过傅里叶描述符捕捉所述腐蚀区域的轮廓和形态变化信息进一步包括:
采用Sobel算子提取所述腐蚀区域的边缘点;
对归一化后的边缘信息进行傅里叶变换,将边缘点的横坐标作为实部,纵坐标作为虚部,对由实部和虚部组成的复数进行离散傅里叶变换得到边缘点时域变化结果;
从边缘点时域变换结果中提取傅里叶描述符,所述傅里叶描述符包括低频系数和高频系数;
通过比较不同时间的傅里叶描述符,分析腐蚀区域的轮廓和形态变化。
7.根据权利要求6所述的海洋工程表面腐蚀图像识别方法,其特征在于,所述腐蚀图像识别模型的损失函数为:
,
其中,是重构损失,衡量原始图像和重构图像之间的差异,/>,/>是原始图像的第i个像素值,/>是重构图像第i个像素值,N是图像中的像素总数;/>是SOM映射损失,鼓励相似的特征向量映射到相邻的网格单元,/>,/>和/>是映射到SOM网格上相邻单元的特征向量,/>是距离度量;/>是分析自编码器损失,/>, y是目标值,/>是分析自编码器的输出,task-specificloss为任务损失函数,/>,N是样本数量,是第i个样本的真实值,/>是预测的第i个样本的值概率;/>和/>是权重参数。
8.根据权利要求1所述的海洋工程表面腐蚀图像识别方法,其特征在于,所述海洋工程表面图像为3D点云数据,所述自组织映射SOM模块的竞争层引入体素模型,所述体素模型的体素为四面体或六面体,所述竞争层的每个神经元对应于所述体素模型中的一个栅格位置。
9.一种海洋工程表面腐蚀图像识别装置,其特征在于,包括:
预处理模块,用于按预设周期连续获取海洋工程表面图像,根据光照校正算法减小因光照不均对所述海洋工程表面图像的影响,根据图像分割算法去除所述海洋工程表面图像的背景干扰;
提取模块,用于基于颜色聚合向量和超像素分割融合算法捕捉所述海洋工程表面图像中腐蚀区域的颜色信息;基于灰度共生矩阵算法提取所述腐蚀区域的表面粗糙度和结构变化信息;通过区域生长法计算所述腐蚀区域的面积;通过傅里叶描述符捕捉所述腐蚀区域的轮廓和形态变化信息;
输出模块,用于将所述预设周期的多个所述腐蚀区域的颜色信息、表面粗糙度、结构变化信息、面积、轮廓和形态变化信息输入腐蚀图像识别模型,输出腐蚀区域的位置、面积以及形状;其中,所述腐蚀图像识别模型包括卷积自编码器模块、重构模块、自组织映射SOM模块以及分析自编码器模块。
10.一种计算设备,包括:处理器、存储器、通信接口和通信总线,所述处理器、所述存储器和所述通信接口通过所述通信总线完成相互间的通信;
所述存储器用于存放至少一可执行指令,所述可执行指令使所述处理器执行上述海洋工程表面腐蚀图像识别方法对应的操作。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410458263.0A CN118097207A (zh) | 2024-04-17 | 2024-04-17 | 海洋工程表面腐蚀图像识别方法及相关装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410458263.0A CN118097207A (zh) | 2024-04-17 | 2024-04-17 | 海洋工程表面腐蚀图像识别方法及相关装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN118097207A true CN118097207A (zh) | 2024-05-28 |
Family
ID=91149949
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410458263.0A Pending CN118097207A (zh) | 2024-04-17 | 2024-04-17 | 海洋工程表面腐蚀图像识别方法及相关装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN118097207A (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114298983A (zh) * | 2021-12-15 | 2022-04-08 | 苏州热工研究院有限公司 | 一种防腐层缺陷智能识别与测量方法 |
CN116051416A (zh) * | 2023-01-30 | 2023-05-02 | 中国科学院空天信息创新研究院 | 基于sar图像的海洋锋自动检测识别方法及装置 |
CN117788472A (zh) * | 2024-02-27 | 2024-03-29 | 南京航空航天大学 | 一种基于dbscan算法的飞机蒙皮表面铆钉腐蚀程度判断的方法 |
-
2024
- 2024-04-17 CN CN202410458263.0A patent/CN118097207A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114298983A (zh) * | 2021-12-15 | 2022-04-08 | 苏州热工研究院有限公司 | 一种防腐层缺陷智能识别与测量方法 |
CN116051416A (zh) * | 2023-01-30 | 2023-05-02 | 中国科学院空天信息创新研究院 | 基于sar图像的海洋锋自动检测识别方法及装置 |
CN117788472A (zh) * | 2024-02-27 | 2024-03-29 | 南京航空航天大学 | 一种基于dbscan算法的飞机蒙皮表面铆钉腐蚀程度判断的方法 |
Non-Patent Citations (1)
Title |
---|
A.MEUNKAEWJINDA ETC.: ""Grape leaf disease detection from color imagery using hybrid intelligent system"", 《PROCEEDINGS OF ECTI-CON》, 31 December 2008 (2008-12-31), pages 513 - 515 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107818326B (zh) | 一种基于场景多维特征的船只检测方法及系统 | |
Zhou et al. | An integrated skeleton extraction and pruning method for spatial recognition of maize seedlings in MGV and UAV remote images | |
CN110837802A (zh) | 一种基于灰度共生矩阵的面部图像特征提取方法 | |
WO2004055733A2 (en) | Assessing of mitotic activity by image analysis | |
CN108710862B (zh) | 一种高分辨率遥感影像水体提取方法 | |
CN111879735B (zh) | 一种基于图像的大米外观品质检测方法 | |
CN109726649B (zh) | 遥感影像云检测方法、系统及电子设备 | |
CN116228780B (zh) | 基于计算机视觉的硅片缺陷检测方法及系统 | |
CN114758222B (zh) | 一种基于PointNet++神经网络混凝土管道损伤识别与体积量化方法 | |
CN115797813B (zh) | 基于航拍图像的水环境污染检测方法 | |
CN116883408B (zh) | 基于人工智能的积算仪壳体缺陷检测方法 | |
CN108345898A (zh) | 一种新型的线路绝缘子绝缘状态评估方法 | |
CN115272876A (zh) | 一种基于深度学习的遥感图像船舶目标检测方法 | |
CN116500611A (zh) | 一种基于深度学习的雷达波面图像海浪参数反演方法 | |
CN116363522A (zh) | 一种基于深度学习的海岸带围填海变化遥感监测方法 | |
CN117636268A (zh) | 一种面向冰雪环境的无人机航拍自然驾驶数据集构建方法 | |
CN113610799A (zh) | 基于人工智能的光伏电池板彩虹纹检测方法、装置及设备 | |
CN115984360B (zh) | 一种基于图像处理的计算干滩长度的方法及系统 | |
CN114742849B (zh) | 一种基于图像增强的水准仪距离测量方法 | |
Shi et al. | Study on holographic image recognition technology of zooplankton | |
CN118097207A (zh) | 海洋工程表面腐蚀图像识别方法及相关装置 | |
Cheng et al. | Tensor locality preserving projections based urban building areas extraction from high-resolution SAR images | |
CN116051808A (zh) | 一种基于YOLOv5的轻量化零件识别定位方法 | |
CN115909072A (zh) | 一种基于改进YOLOv4算法的弹着点水柱检测方法 | |
CN114677428A (zh) | 基于无人机图像处理的输电线覆冰厚度检测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination |