水利工程質量檢測中視覺圖像法的仿真研究

李笑波

(遼寧省朝陽縣水務局，遼寧 朝陽 122000)

0 引 言

近年來，我國水利事業(yè)發(fā)展迅速，工程投資規(guī)模和建設力度不斷增強，顯著改善了區(qū)域防洪功能和生活水平，水利工程質量檢測逐漸引起工程領域和學術界的關注[1]。目前，以人力為主的水利工程質量檢測仍占據主導地位，檢測結果易受主觀因素影響且需要以實地考察為基礎。智能化檢測方法隨著計算機圖像處理技術的發(fā)展越來越受到重視，其中基于像素差值、數理統(tǒng)計和小波變換的檢測算法已成為水利工程質量檢測最常用的智能化算法[2-4]。然而，傳統(tǒng)的智能檢測算法在實際應用過程中都具有一個問題，即以視覺圖像為基礎的水利工程質量檢測，其遠程圖像獲取主要通過飛行器來實現(xiàn)，圖像采集時不可避免的會受到外界因素的干擾。例如，飛行器顛簸振動、天氣等，像素關鍵細節(jié)特點受外界干擾而缺失，從而使得有價值的關鍵細節(jié)特征數量較少以及質量檢測準確率過低，檢測結果無法客觀、真實的反映工程質量狀況。

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，通過去除圖像中的噪聲提高圖像清晰度，并對待測區(qū)域是否存在誤差利用誤差補償神經網絡算法加以判斷，即對檢測誤差是否符合標準要求利用方差計算結果評判，經誤差補償確保檢測結果的準確度。該算法能夠提高水利工程質量檢測準確率，解決傳統(tǒng)算法準確率較低及關鍵細節(jié)特點缺失的問題。

1 基本原理

實踐表明，生物留下的痕跡(如各種洞穴等)對水利工程質量的影響較大，為準確檢測出潛在的質量問題利用像素灰度值差值算法配合遠程檢測系統(tǒng)實現(xiàn)，其基本原理如下：

步驟一：圖像的獲取。應用機載圖像采集設備獲取待測區(qū)域圖像，檢測的遠程圖像清晰度較差、質量較低，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。設圖像中某像素點的灰度值及其關鍵細節(jié)特點數量為n(y,z)、R，則P×P代表相鄰區(qū)T的尺寸，對其灰度利用下式計算，即：

(1)

為提高圖像質量將初始灰度值利用式(1)確定的灰度值替代，該過程即為初始化處理，通過獲取更多的有效信息和數據保證質量檢測的準確率。

然后利用公式(2)求解初始化處理后的圖像像素灰度差值，其表達式為：

ω=n1(x,y)-n2(x,y)

(2)

式中：ni(x,y)為待測區(qū)域預處理后的像素點灰度值；ω為像素灰度差值。

步驟三：質量問題的判別。根據公式(3)、(4)實現(xiàn)質量隱患閾值系數的計算及水利工程質量問題的評判，具體為：

(3)

(4)

式中：h為質量衡量標準閾值；S為質量隱患閾值系數。因此，像素差值大于或者小于衡量標準，則待測區(qū)域存在或者不存在質量問題。

步驟四：準確率計算。水利工程質量檢測準確率利用公式(5)計算，即：

λ=S/(y2+z2)

(5)

通過雷達獲取的遠程圖像不可避免的會發(fā)生像素關鍵細節(jié)特征的缺失，該條件下所獲取的關鍵細節(jié)特點數較少，此時運用式(2)確定的像素灰度差值偏小，從而導致該區(qū)域像素差值系數利用公式(3)計算時也偏小，并最終致使公式(4)、(5)確定的監(jiān)測準確率較低。

因此，為提高水利工程質量檢測準確率構建神經網絡數學模型，通過有效補償檢測過程中的誤差確保質量檢測精度。

2 視覺圖像法

文章按照誤差補償、誤差檢測、模型構建、圖像預處理等流程，實現(xiàn)人腦與人眼功能的模擬，并以視覺圖像完成水利工程檢測質量的判斷，具體流程如下：

2.1 圖像初始化

通過預處理遠程采集的水利圖像確定像素有關參數，對待測區(qū)域像素參數利用以下公式計算，即：

ej=g(uj)-ρaj

(6)

式中：aj為像素點a(0，1)的噪音參數；uj為像素點排序序號及其點數之比，j為像素點排序序號。

噪聲系數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值；l、Ejl為小波變換參數數量以及參數取值。

待測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)作為相關計算的約束條件，為保留原始圖像中的有效信息應最大限度的去除圖像中的噪聲，經處理保證檢測精準度，即：

F|Ejl-aj|/P2≥1

(8)

ej≥0

(9)

通過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量，為水利工程質量檢測以及提升其檢測精準度提供可靠的數據支持。

2.2 神經網絡模型

實質上，對工程質量歸屬類別的判斷就是水利工程質量檢測，以是否合格評價待測區(qū)域質量狀況，其中神經網絡的輸入值取圖像相關參數初始化處理后的數據，輸出有0、1兩種情況，即水利工程存在或不存在質量問題兩種情況，詳細流程如下：

設J=(U，L)為水利工程相關圖像初始化處理后的某像素點平面特征分量，則神經網絡輸入值就是對該分量歸一化處理后的數據，利用下式計算模型輸出，即：

(10)

式中：Jn為輸入網絡模型的第n個特征向量；bl、cl第l個移動系數和伸縮系數；xl為神經網絡中輸出層與隱含層間的權值系數；ρ(y)具有較快收斂速度的正切函數。

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

(11)

式中：ej為理想條件下神經網絡的輸出值；pj為神經網絡對待測區(qū)域第j個像素的結果輸出；P為全部像素數目；輸出結果ej取0或1，分別代表水利工程存在或不存在質量問題。

2.3 誤差檢驗與補償

2.3.1 誤差檢驗

依據設置的檢測標準，對水利工程質量檢測是否存在誤差進行檢驗，在此基礎上有效補償存在的誤差，其流程如下：

設參數Y、Z為質量檢測系數以及檢測密度，顯著系數b取0.5，在v1、v2檢驗參數未知的條件下，有必要利用下式檢驗水利工程質量，即：

(12)

檢測系數衡量標準按照上述公式來確定，該條件下可對工程質量實際檢測系數利用下式計算，即：

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

(13)

若衡量標準大于實際計算的檢測系數，則檢測誤差能夠符合預設置的標準要求；若衡量標準小于實際計算的檢測系數，則檢測誤差超過標準要求，此時必須實行誤差補償。

2.3.2 誤差補償

(14)

xk+1=xk-bxkT(x)k

(15)

通過反復迭代運算，利用上式確定權值系數方向分量T和新的權值系數矢量，其中權值系數在第k次迭代處理時的訓練參數為bxk；同理，采用相同算法經迭代運算確定伸縮系數和平移系數，設運算終止條件為檢測誤差不超過衡量標準。依據以上運算結果求解補償誤差，經誤差補差解決傳統(tǒng)算法存在的問題，并進一步提高檢測精準度。

2.4 仿真模擬

通過建立水利工程模型驗證誤差補償神經網絡算法的有效性，并按照圖1完成質量檢測模擬。

圖1 質量檢測流程

本研究對水利工程模型利用誤差補償神經網絡算法和傳統(tǒng)算法進行質量檢驗，相關圖像像素關鍵細節(jié)特點在該水利工程模型中缺失160個，由此確定的準確率變化趨勢如圖2所示。

圖2 檢測準確率變化趨勢

其中，橫縱坐標代表用于檢測的圖像特征數量級和質量檢測準確率；從圖2可知，采用文中所述誤差補償算法能夠有效解決圖像像素關鍵節(jié)點特點缺失的問題，較傳統(tǒng)算法顯著提高檢測準確率。

然后對水利工程模型質量檢測準確率利用公式(5)和傳統(tǒng)算法進行計算，計算結果見表1。從表1可知，對水利工程質量檢測準確率利用誤差補償算法計算時無需過度依賴圖像像素關鍵細節(jié)特征數，較傳統(tǒng)算法能夠顯著提高檢測準確率。

表1 檢測數據統(tǒng)計表

3 結 論

通過初始化處理采集到的水利工程圖像，向神經網絡模型輸入工程檢測相關參數，最終確定評判工程質量是否存在問題的基本依據為誤差補償后的網絡輸出。實踐表明，經改進的神經網絡模型能夠顯著提高水利工程質量檢測準確率，有效解決傳統(tǒng)算法存在的問題，可為水利工程運行管理和質量控制提供新的一種新的途徑。