[发明专利]基于特征组合与CNN的大坝缺陷识别与分类方法

说明书

本发明公开了一种基于特征组合与CNN的大坝缺陷识别与分类方法，包括以下步骤：1)分别提取图像的LBP特征和GABOR特征图，然后基于特征向量余弦特征组合两种特征得到LG组合特征；2)将LG组合特征作为深度学习模型CNN的输入，通过逐层训练神经网络，提取更高层次的特征，根据此特征训练出CNN分类器；3)将测试样本提取LG特征后输入到训练好的CNN分类器中，分类识别出最后的缺陷类别。

技术领域

本发明涉及一种基于特征组合与CNN的大坝缺陷识别与分类方法，具体是一种对缺陷图像实现识别分类的方法，属于分布式数据融合领域。

背景技术

世界坝工有着悠久的历史，我国更是一个水利大国，目前已拥有水库大坝9.8万余座，是世界上水库大坝最多的国家。但随着时间的推移和坝龄的增长，受温度、环境压力等各种因素的影响，大坝的运行形态会发生变化，出现变形、裂缝、渗漏、钙化物析出等一系列大坝表观缺陷。

图像特征提取称为图像特征选择与描述，是基于数据降维的思想，提取出代表图像主要信息的特征元素来实现图像数据的压缩。传统图像特征提取方法，从视觉上来判别，但在采集数据时需要耗费大量的时间和精力，因而并不适用。随着数字图像处理技术的快速发展，对于图像的特征提取已经能够实现自动化，能从颜色、形状、纹理等方面方便、快速地捕捉到图像中的信息，为大坝缺陷识别提供依据。图像特征提取方法按照提取的特征可以分为以下三类：基于颜色特征提取、基于纹理特征提取、基于形状特征提取。

图像识别分类方法主要包括两大类：传统图像识别技术和基于深度学习的图像识别技术。传统的图像识别需要经过图像预处理、特征提取和分类，人工提取的特征经分类器得到分类结果，常用有KNN、SVM、LDA、人工神经网络等。传统的图像识别算法实现简单，但由于图像本身质量的差别，进行一系列预处理也有较大差异，而对于机器学习需要事先确定好用于识别分类的图像特征，样本数量设置等，会出现识别准确率不高或者过拟合情况。随着神经网络的发展，卷积神经网络在图像识别领域的应用越来越广泛，与标准的神经网络不同，CNN可以有效地捕获图像的网络状拓扑，通过卷积自动提取图像特征，经网络逐层分析获得较好的识别效果，解决了传统的深度神经网络节点数目庞大难以训练的问题。

发明内容

发明目的：针对传统图像分类识别算法对于特征不明显或歧义性大的图像识别率低，且所使用的深度学习网络较为复杂，不能有效地挖掘大坝采集图像中所蕴含的丰富信息的问题，本发明提供了基于特征组合与CNN的大坝缺陷识别与分类方法，提高对缺陷图像识别分类的效率，到更加准确的分类识别效果。

技术方案：一种基于特征组合与CNN的大坝缺陷识别与分类方法，包括两个方面：LG组合特征提取和基于特征组合的CNN模型训练；

1)LG组合特征提取：首先分别提取训练样本图像的LBP特征和GABOR特征图，然后基于特征向量余弦特征组合两种特征得到LG组合特征；

2)基于特征组合的CNN模型训练：将LG组合特征作为深度学习模型CNN的输入，通过逐层训练神经网络，提取更高层次的特征，根据此特征训练出LG-CNN分类器；

3)最后将测试样本提取LG特征后输入到训练好的LG-CNN分类器中，分类识别出最后的缺陷类别。

(1)LG组合特征提取采用的如下：

LBP特征能描述图像的全局特征，反映出缺陷图像中亮光点、暗点、光照均匀区域以及不同方向边缘等微小特征的分布情况，且具有灰度不变性和旋转不变性。而Gabor小波主要依靠GABOR核在频率域上对信号进行加窗，描述信号的局部频率信息，可以提取多尺度多方向的空间频率特征，一些局部图像纹理信息的特征被放大，更有利于进行特征识别。因而综合考虑缺陷图像的全局特征和局部特征，将LBP特征和GABOR特征的组合特征向量作为特征输入进行缺陷的分类识别。具体流程图和步骤如下：

①对监测图像数据集进行预处理。