劉恩東

摘 要 為了能夠自適應地識別管道內部缺陷，針對目前管道內部圖像須有人工實時檢測的弊端，提出了一種以機器學習完成缺陷分類的方法。該方法通過訓練好的 BP 人工神經網絡智能識別管道內缺陷及其種類，通過圖像處理技術提取管道內各參數，最后利用管道內邊緣周長、面積、輝度等參數識別缺陷類型。實例應用結果表明： 該方法能夠有效地識別異物、裂紋、堵塞。

【關鍵詞】BP神經網絡 管道缺陷 缺陷分類

目前，通過圖像處理的方式進行模式識別已成為新的研究熱點，并廣泛應用于識別汽車車牌、手寫漢字、水位線、水稻品質及各種工業(yè)產品等領域。在城市管道檢測技術方面，現(xiàn)多采用由管道機器人對待測管道進行內部信息采集，再由人工進行實時的觀測并進行判斷。但是，由人工對管道內部問題進行判斷，其判斷的主觀性與遺漏的可能性都是難以避免的。針對這一情況，通過人工智能算法—BP神經網絡對已獲取的圖像信息進行處理，從而得到管道內部的缺陷類型，不僅降低了系統(tǒng)操作人員的勞動強度，而且從整體上提高了缺陷分類軟件的易用性和可移植性。

監(jiān)控中視頻處理的過程如圖1所示，本項目將在圖像處理技術的基礎上通過BP神經網絡著重對分類識別的部分進行研究，以達到機器智能檢測的目的。

1 圖像的預處理

1.1 管道內部缺陷樣本的采集

建立管道內部缺陷庫，是進行管道內部缺陷識別的必要條件。同時也是對識別方法進行客觀測試，估計其性能，評價其優(yōu)缺點的根本依據。采集樣本時應符合大多數管道問題的實際情況，反映各種管道材料、直徑、形狀的特征等。

較差的學習樣本不但會導致網絡的錯誤映射關系，而且還可能會使該網絡的學習過程不收斂， 因此采集學習樣本對于BP神經網絡系統(tǒng)的學習和訓練尤為重要。本實驗采集學習樣本的原則為：

1.1.1 代表性

所用樣本需要起到以點帶面的作用，應當體現(xiàn)出輸入輸出關系，如選用特征突出的樣本，只有通過具有代表性的學習樣本所訓練出來的BP神經網絡才能很好的映射輸入輸出的關系。

1.1.2 廣泛性

所用樣本應能提供該BP網絡各種情況下的輸入，廣泛的樣本可使訓練出來的BP網絡具有良好的適應力，這對于管道內部缺陷識別與分類來說是非常重要的。

1.1.3 緊湊性

若學習樣本含有較多的無效成分會導致學習過程難以收斂，從而導致訓練出來的網絡會產生錯誤的映射，使網絡輸出過多偏向無效學習成分所形成的錯誤的映射關系。

1.2 歸一化處理

管道缺陷種類繁雜，缺陷特征各不相同，即使是常見缺陷也會因大小和分布的不同而有所差異，所以在進行缺陷識別前需要對其進行歸一化處理。缺陷的歸一化處理可分為線性和非線性兩種。進行歸一化處理是為了是消除由于管道自身缺陷而帶來的識別問題，從而進一步的為提取特征和分類器識別打下良好的基礎。

通過線性歸一化的方式將其歸一化為統(tǒng)一大小的圖像，歸一化后的圖像可以表示為：

其中，width和height分別表示未歸一化時原圖像的寬與高，W與H則表示規(guī)一化后圖像所對應的寬和高，A（水平）、B（垂直）分別表示原圖像的左上角與規(guī)一化后矩形框左上角的距離。

線性歸一化算法較為簡單，即將圖像按一定比例線性調整為同一尺寸，可以保有原圖像的形狀與特征（幾乎無失真），但是無法改變圖像的亮度與清晰度等屬性；非線性歸一化是按照管道內部的特征分布來處理、調整清晰度，削弱那些偏亮、偏暗的區(qū)域，或是像素密集的區(qū)域，壓縮像素分散的區(qū)域。

1.3 平滑去噪處理

各種噪聲可能存在于樣本圖像中，如高斯噪聲、白噪聲等。圖像的平滑化，即消除樣本圖像中的噪聲成分，是圖像增強技術中的一種。該操作可達到兩個目的：

（1）按特定的需要突出圖像中的特定信息；

（2）消除視頻圖像在輸入時混入的噪聲，以適應計算機的處理。

圖像平滑化處理的要求有：

（1）不能損壞圖像的邊緣輪廓及線條等重要信息；

（2）使圖像清晰。

平滑處理的方法分為：

（1）空間域法（時域），其中空間域法又分為線性和非線性濾波器；

（2）頻域法一般需要對圖像進行一次正向的數學變換（通常離散傅立葉變換，也可以為拉氏變換或Z變換）和一次反向的數學逆變換。

2 BP神經網絡的運用

許多學者對BP神經網絡的算法及結構進行過優(yōu)化，有人提出：神經網絡好比是一種自適應機器，神經網絡是一個由若干簡單處理單元所共同組成的大型分布式處理器，因此具有存儲經驗知識（記憶性）和使之可用（有用性）的特性。神經網絡與人腦的相似之處有兩個：

（1）所獲取的知識都由外界環(huán)境學習而來；

（2）突觸權值（神經元間的相互連接強度）用于儲存所獲取的知識。

2.1 BP神經網絡的簡介

人工神經網絡是根據模仿動物神經網絡的行為特征，進行分布式并行處理算法的一種數學模型。這種網絡在處理信息時是通過調整內部大量節(jié)點之間相互連接的關系所實現(xiàn)的。而BP（Back Propagation）神經網絡模型是由Rumelhart和Mccdknd為首的科學家小組提出是一種按誤差逆?zhèn)鞑ニ惴ㄓ柧毜亩鄬忧梆伨W絡。其憑借著強大的聯(lián)想能力、容錯能力以及自組織能力，成為現(xiàn)階段應用最為廣泛的神經網絡之一 。BP神經網絡最大特點僅依靠樣本輸入、輸出數據，不借助系統(tǒng)的基本物理定律，就能實現(xiàn)由Rn空間（n個輸入節(jié)點）到Rm空間（m個輸出節(jié)點）的高度非線性映射。

2.2 BP網絡模型

BP神經網絡是一種反饋前向型的神經網絡，也是一種典型的多層前向型網絡，通過網絡內各層之間的權值與結構表示出復雜的非線性1/0映射關系，BP神經網絡同時具有較好的自我學習功能，能夠通過誤差的反饋算法，比照已有的樣本進行重復訓練，調整網絡內各層間的權值，直到該網絡的1/0關系在某個訓練指標下與樣本最為接近。一個典型的BP神經網絡應包含輸入層、中間層（也稱隱層）和輸出層，不同層之間相互連接，層內神經元之間無連接。其中隱含層可以為一層或多層。每一層都由互不連接的若干個神經元組成。相鄰兩層的每一個神經元之間的關系由權值所決定，權值的大小直觀地反映了兩個神經元間的連接強弱，整個BP網絡的計算流程是由輸入層-中間層-輸出層單向前進，因而屬于前向型網絡。

2.3 BP網絡原理

典型的BP網絡分為三層，即輸入層、隱含層和輸出層。其算法主要由以下四部分組成，即模式順傳播——誤差逆?zhèn)鞑ァ洃浻柧殹獙W習收斂。

2.3.1 模式順傳播

2.3.2 誤差的逆?zhèn)鞑?/p>

根據輸出層產生的誤差，經中間層向輸入層傳播，在這個過程中，按照梯度下降原則對各層的權值和閾值進行誤差校正。

所以，按照梯度下降原則，可得到輸出層各單元的閾值調整量為：

（1）中間層到輸入層計算：

權值調整量計算：

按照梯度下降原則，可得到連接權值的調整量為：

閾值調整量計算：

按照梯度下降原則，可得到輸出層各單元的閾值調整量為：

以上的推導為標準差逆?zhèn)鬟f的算法，其中各連接權值的改變量分別與各個學習模式所對應的誤差Ek成比例變化。而相對于全局誤差

的連接權調整，需要在完成m個學習模式后統(tǒng)一進行，這是累積誤差逆?zhèn)鬟f的算法。一般來講，當樣本較少時，累積誤差傳遞算法要比標準誤差傳遞算法速度快。

2.3.3 記憶訓練

給出一組樣板反復進行學習，調整權值和閾值的大小以使輸出值滿足一定的精度要求。

2.3.4 網絡收斂

經由多次訓練，BP神經網絡的整體誤差趨向于最小值。

由于BP算法采用了按誤差函數梯度下降的方向進行收斂，因此，可能使迭代陷入局部極小點，BP網絡收斂依賴于樣本的初始位置，適當改變隱層單元個數，或給每個權值加上一個很小的隨機數，都可使收斂過程避免局部極小點。

3 結語

本文提出的基于圖像處理和BP神經網絡技術的管道缺陷識別方法，可以通過BP神經網絡完成機器視覺的學習，使管道機器人能夠自主判斷出管道內部是否存在缺陷，并進一步區(qū)分出管道接口滲漏、錯口、管道腐蝕、管身穿孔、支管、淤積、結垢、障礙物等缺陷類型，完成整個智能檢測。同時，該方法也存在一定的誤識別率，這與訓練樣本的豐富程度與待測管道的內部環(huán)境密切相關。

參考文獻

[1]張小偉，解智強，侯至群，等.一種基于BP神經網絡耦合排水管線信息的城市河道風險評價研究[J].測繪通報，2014（12）：93-96.

[2]彭向前.產品表面缺陷在線檢測方法研究及系統(tǒng)實現(xiàn)[D].華中科技大學，2008.

[3]王雪梅.基于神經網絡的冷軋帶鋼表面缺陷識別分類技術研究[D].電子科技大學，2006.

[4]吳斌，齊文博，何存富，等.基于神經網絡的超聲導波鋼桿缺陷識別[J].工程力學，2013（02）：470-476.

[5]童文俊.BP神經網絡在板形缺陷識別中的應用[D].江南大學，2008.

[6]劉彩紅.BP神經網絡學習算法的研究[J].西安工業(yè)大學學報，2012，32（09）：723-727.

[7]張弦.基于數據并行的BP神經網絡訓練算法[D].華中科技大學，2008.

[8]黃良炯.供水管道表面損傷特征提取及其評價技術研究[D].哈爾濱工業(yè)大學，2008.

[9]王賡.基于BP神經網絡的脫機手寫漢字識別研究[D].天津師范大學，2009.

[10]余本國.BP神經網絡局限性及其改進的研究[J].山西農業(yè)大學學報：自然科學版，2009，29（01）：89-93.

[11]李炯城，黃漢雄.一種新的快速BP神經網絡算法——QLMBP[J].華南理工大學學報：自然科學版，2006，34（06）：49-54.

[12]吳凌云.BP神經網絡學習算法的改進及其應用[J].信息技術，2003，27（07）：42-44.

[13]彭松，方祖祥.BP神經網絡學習算法的聯(lián)合優(yōu)化[J].電路與系統(tǒng)學報，2000，5（03）：26-30.

作者單位

江漢大學物理與信息工程學院 湖北省武漢市 430056