水利工程質(zhì)量檢測(cè)中視覺(jué)圖像法的仿真研究

李笑波

(遼寧省朝陽(yáng)縣水務(wù)局，遼寧 朝陽(yáng) 122000)

0 引 言

近年來(lái)，我國(guó)水利事業(yè)發(fā)展迅速，工程投資規(guī)模和建設(shè)力度不斷增強(qiáng)，顯著改善了區(qū)域防洪功能和生活水平，水利工程質(zhì)量檢測(cè)逐漸引起工程領(lǐng)域和學(xué)術(shù)界的關(guān)注[1]。目前，以人力為主的水利工程質(zhì)量檢測(cè)仍占據(jù)主導(dǎo)地位，檢測(cè)結(jié)果易受主觀因素影響且需要以實(shí)地考察為基礎(chǔ)。智能化檢測(cè)方法隨著計(jì)算機(jī)圖像處理技術(shù)的發(fā)展越來(lái)越受到重視，其中基于像素差值、數(shù)理統(tǒng)計(jì)和小波變換的檢測(cè)算法已成為水利工程質(zhì)量檢測(cè)最常用的智能化算法[2-4]。然而，傳統(tǒng)的智能檢測(cè)算法在實(shí)際應(yīng)用過(guò)程中都具有一個(gè)問(wèn)題，即以視覺(jué)圖像為基礎(chǔ)的水利工程質(zhì)量檢測(cè)，其遠(yuǎn)程圖像獲取主要通過(guò)飛行器來(lái)實(shí)現(xiàn)，圖像采集時(shí)不可避免的會(huì)受到外界因素的干擾。例如，飛行器顛簸振動(dòng)、天氣等，像素關(guān)鍵細(xì)節(jié)特點(diǎn)受外界干擾而缺失，從而使得有價(jià)值的關(guān)鍵細(xì)節(jié)特征數(shù)量較少以及質(zhì)量檢測(cè)準(zhǔn)確率過(guò)低，檢測(cè)結(jié)果無(wú)法客觀、真實(shí)的反映工程質(zhì)量狀況。

鑒于此，文章利用小波變換初始化處理采集的水利工程圖像，通過(guò)去除圖像中的噪聲提高圖像清晰度，并對(duì)待測(cè)區(qū)域是否存在誤差利用誤差補(bǔ)償神經(jīng)網(wǎng)絡(luò)算法加以判斷，即對(duì)檢測(cè)誤差是否符合標(biāo)準(zhǔn)要求利用方差計(jì)算結(jié)果評(píng)判，經(jīng)誤差補(bǔ)償確保檢測(cè)結(jié)果的準(zhǔn)確度。該算法能夠提高水利工程質(zhì)量檢測(cè)準(zhǔn)確率，解決傳統(tǒng)算法準(zhǔn)確率較低及關(guān)鍵細(xì)節(jié)特點(diǎn)缺失的問(wèn)題。

1 基本原理

實(shí)踐表明，生物留下的痕跡(如各種洞穴等)對(duì)水利工程質(zhì)量的影響較大，為準(zhǔn)確檢測(cè)出潛在的質(zhì)量問(wèn)題利用像素灰度值差值算法配合遠(yuǎn)程檢測(cè)系統(tǒng)實(shí)現(xiàn)，其基本原理如下：

步驟一：圖像的獲取。應(yīng)用機(jī)載圖像采集設(shè)備獲取待測(cè)區(qū)域圖像，檢測(cè)的遠(yuǎn)程圖像清晰度較差、質(zhì)量較低，該條件下利用灰度算法初始化處理采集到的圖像[6]。

步驟二：灰度處理。設(shè)圖像中某像素點(diǎn)的灰度值及其關(guān)鍵細(xì)節(jié)特點(diǎn)數(shù)量為n(y,z)、R，則P×P代表相鄰區(qū)T的尺寸，對(duì)其灰度利用下式計(jì)算，即：

(1)

為提高圖像質(zhì)量將初始灰度值利用式(1)確定的灰度值替代，該過(guò)程即為初始化處理，通過(guò)獲取更多的有效信息和數(shù)據(jù)保證質(zhì)量檢測(cè)的準(zhǔn)確率。

然后利用公式(2)求解初始化處理后的圖像像素灰度差值，其表達(dá)式為：

ω=n1(x,y)-n2(x,y)

(2)

式中：ni(x,y)為待測(cè)區(qū)域預(yù)處理后的像素點(diǎn)灰度值；ω為像素灰度差值。

步驟三：質(zhì)量問(wèn)題的判別。根據(jù)公式(3)、(4)實(shí)現(xiàn)質(zhì)量隱患閾值系數(shù)的計(jì)算及水利工程質(zhì)量問(wèn)題的評(píng)判，具體為：

(3)

(4)

式中：h為質(zhì)量衡量標(biāo)準(zhǔn)閾值；S為質(zhì)量隱患閾值系數(shù)。因此，像素差值大于或者小于衡量標(biāo)準(zhǔn)，則待測(cè)區(qū)域存在或者不存在質(zhì)量問(wèn)題。

步驟四：準(zhǔn)確率計(jì)算。水利工程質(zhì)量檢測(cè)準(zhǔn)確率利用公式(5)計(jì)算，即：

λ=S/(y2+z2)

(5)

通過(guò)雷達(dá)獲取的遠(yuǎn)程圖像不可避免的會(huì)發(fā)生像素關(guān)鍵細(xì)節(jié)特征的缺失，該條件下所獲取的關(guān)鍵細(xì)節(jié)特點(diǎn)數(shù)較少，此時(shí)運(yùn)用式(2)確定的像素灰度差值偏小，從而導(dǎo)致該區(qū)域像素差值系數(shù)利用公式(3)計(jì)算時(shí)也偏小，并最終致使公式(4)、(5)確定的監(jiān)測(cè)準(zhǔn)確率較低。

因此，為提高水利工程質(zhì)量檢測(cè)準(zhǔn)確率構(gòu)建神經(jīng)網(wǎng)絡(luò)數(shù)學(xué)模型，通過(guò)有效補(bǔ)償檢測(cè)過(guò)程中的誤差確保質(zhì)量檢測(cè)精度。

2 視覺(jué)圖像法

文章按照誤差補(bǔ)償、誤差檢測(cè)、模型構(gòu)建、圖像預(yù)處理等流程，實(shí)現(xiàn)人腦與人眼功能的模擬，并以視覺(jué)圖像完成水利工程檢測(cè)質(zhì)量的判斷，具體流程如下：

2.1 圖像初始化

通過(guò)預(yù)處理遠(yuǎn)程采集的水利圖像確定像素有關(guān)參數(shù)，對(duì)待測(cè)區(qū)域像素參數(shù)利用以下公式計(jì)算，即：

ej=g(uj)-ρa(bǔ)j

(6)

式中：aj為像素點(diǎn)a(0，1)的噪音參數(shù)；uj為像素點(diǎn)排序序號(hào)及其點(diǎn)數(shù)之比，j為像素點(diǎn)排序序號(hào)。

噪聲系數(shù)ρ利用以下公式確定，即：

(7)

式中：P為小波變換處理的極大指數(shù)值；l、Ejl為小波變換參數(shù)數(shù)量以及參數(shù)取值。

待測(cè)圖像中的噪聲利用噪聲頻率閾值篩選可以有效去除，并以公式(8)、(9)作為相關(guān)計(jì)算的約束條件，為保留原始圖像中的有效信息應(yīng)最大限度的去除圖像中的噪聲，經(jīng)處理保證檢測(cè)精準(zhǔn)度，即：

F|Ejl-aj|/P2≥1

(8)

ej≥0

(9)

通過(guò)上述處理可以保留初始圖像中的有效信息，顯著提升圖像清晰度及其質(zhì)量，為水利工程質(zhì)量檢測(cè)以及提升其檢測(cè)精準(zhǔn)度提供可靠的數(shù)據(jù)支持。

2.2 神經(jīng)網(wǎng)絡(luò)模型

實(shí)質(zhì)上，對(duì)工程質(zhì)量歸屬類別的判斷就是水利工程質(zhì)量檢測(cè)，以是否合格評(píng)價(jià)待測(cè)區(qū)域質(zhì)量狀況，其中神經(jīng)網(wǎng)絡(luò)的輸入值取圖像相關(guān)參數(shù)初始化處理后的數(shù)據(jù)，輸出有0、1兩種情況，即水利工程存在或不存在質(zhì)量問(wèn)題兩種情況，詳細(xì)流程如下：

設(shè)J=(U，L)為水利工程相關(guān)圖像初始化處理后的某像素點(diǎn)平面特征分量，則神經(jīng)網(wǎng)絡(luò)輸入值就是對(duì)該分量歸一化處理后的數(shù)據(jù)，利用下式計(jì)算模型輸出，即：

(10)

式中：Jn為輸入網(wǎng)絡(luò)模型的第n個(gè)特征向量；bl、cl第l個(gè)移動(dòng)系數(shù)和伸縮系數(shù)；xl為神經(jīng)網(wǎng)絡(luò)中輸出層與隱含層間的權(quán)值系數(shù)；ρ(y)具有較快收斂速度的正切函數(shù)。

然后利用小波變換法處理相關(guān)參數(shù)，即i(y)=y/fy2，其種能量系數(shù)極小值以及相關(guān)參數(shù)調(diào)整利用公式(11)確定：

(11)

式中：ej為理想條件下神經(jīng)網(wǎng)絡(luò)的輸出值；pj為神經(jīng)網(wǎng)絡(luò)對(duì)待測(cè)區(qū)域第j個(gè)像素的結(jié)果輸出；P為全部像素?cái)?shù)目；輸出結(jié)果ej取0或1，分別代表水利工程存在或不存在質(zhì)量問(wèn)題。

2.3 誤差檢驗(yàn)與補(bǔ)償

2.3.1 誤差檢驗(yàn)

依據(jù)設(shè)置的檢測(cè)標(biāo)準(zhǔn)，對(duì)水利工程質(zhì)量檢測(cè)是否存在誤差進(jìn)行檢驗(yàn)，在此基礎(chǔ)上有效補(bǔ)償存在的誤差，其流程如下：

設(shè)參數(shù)Y、Z為質(zhì)量檢測(cè)系數(shù)以及檢測(cè)密度，顯著系數(shù)b取0.5，在v1、v2檢驗(yàn)參數(shù)未知的條件下，有必要利用下式檢驗(yàn)水利工程質(zhì)量，即：

(12)

檢測(cè)系數(shù)衡量標(biāo)準(zhǔn)按照上述公式來(lái)確定，該條件下可對(duì)工程質(zhì)量實(shí)際檢測(cè)系數(shù)利用下式計(jì)算，即：

U=(Y-Z)/(p12+p22)

(13)

若衡量標(biāo)準(zhǔn)大于實(shí)際計(jì)算的檢測(cè)系數(shù)，則檢測(cè)誤差能夠符合預(yù)設(shè)置的標(biāo)準(zhǔn)要求；若衡量標(biāo)準(zhǔn)小于實(shí)際計(jì)算的檢測(cè)系數(shù)，則檢測(cè)誤差超過(guò)標(biāo)準(zhǔn)要求，此時(shí)必須實(shí)行誤差補(bǔ)償。

2.3.2 誤差補(bǔ)償

(14)

xk+1=xk-bxkT(x)k

(15)

通過(guò)反復(fù)迭代運(yùn)算，利用上式確定權(quán)值系數(shù)方向分量T和新的權(quán)值系數(shù)矢量，其中權(quán)值系數(shù)在第k次迭代處理時(shí)的訓(xùn)練參數(shù)為bxk；同理，采用相同算法經(jīng)迭代運(yùn)算確定伸縮系數(shù)和平移系數(shù)，設(shè)運(yùn)算終止條件為檢測(cè)誤差不超過(guò)衡量標(biāo)準(zhǔn)。依據(jù)以上運(yùn)算結(jié)果求解補(bǔ)償誤差，經(jīng)誤差補(bǔ)差解決傳統(tǒng)算法存在的問(wèn)題，并進(jìn)一步提高檢測(cè)精準(zhǔn)度。

2.4 仿真模擬

通過(guò)建立水利工程模型驗(yàn)證誤差補(bǔ)償神經(jīng)網(wǎng)絡(luò)算法的有效性，并按照?qǐng)D1完成質(zhì)量檢測(cè)模擬。

圖1 質(zhì)量檢測(cè)流程

本研究對(duì)水利工程模型利用誤差補(bǔ)償神經(jīng)網(wǎng)絡(luò)算法和傳統(tǒng)算法進(jìn)行質(zhì)量檢驗(yàn)，相關(guān)圖像像素關(guān)鍵細(xì)節(jié)特點(diǎn)在該水利工程模型中缺失160個(gè)，由此確定的準(zhǔn)確率變化趨勢(shì)如圖2所示。

圖2 檢測(cè)準(zhǔn)確率變化趨勢(shì)

其中，橫縱坐標(biāo)代表用于檢測(cè)的圖像特征數(shù)量級(jí)和質(zhì)量檢測(cè)準(zhǔn)確率；從圖2可知，采用文中所述誤差補(bǔ)償算法能夠有效解決圖像像素關(guān)鍵節(jié)點(diǎn)特點(diǎn)缺失的問(wèn)題，較傳統(tǒng)算法顯著提高檢測(cè)準(zhǔn)確率。

然后對(duì)水利工程模型質(zhì)量檢測(cè)準(zhǔn)確率利用公式(5)和傳統(tǒng)算法進(jìn)行計(jì)算，計(jì)算結(jié)果見(jiàn)表1。從表1可知，對(duì)水利工程質(zhì)量檢測(cè)準(zhǔn)確率利用誤差補(bǔ)償算法計(jì)算時(shí)無(wú)需過(guò)度依賴圖像像素關(guān)鍵細(xì)節(jié)特征數(shù)，較傳統(tǒng)算法能夠顯著提高檢測(cè)準(zhǔn)確率。

表1 檢測(cè)數(shù)據(jù)統(tǒng)計(jì)表

3 結(jié) 論

通過(guò)初始化處理采集到的水利工程圖像，向神經(jīng)網(wǎng)絡(luò)模型輸入工程檢測(cè)相關(guān)參數(shù)，最終確定評(píng)判工程質(zhì)量是否存在問(wèn)題的基本依據(jù)為誤差補(bǔ)償后的網(wǎng)絡(luò)輸出。實(shí)踐表明，經(jīng)改進(jìn)的神經(jīng)網(wǎng)絡(luò)模型能夠顯著提高水利工程質(zhì)量檢測(cè)準(zhǔn)確率，有效解決傳統(tǒng)算法存在的問(wèn)題，可為水利工程運(yùn)行管理和質(zhì)量控制提供新的一種新的途徑。