[发明专利]一种基于小波神经网络的红外图像识别方法

说明书

本发明提供一种基于小波神经网络的红外图像识别方法。一种基于小波神经网络的红外图像识别方法，其中，包括如下步骤：S1.选取训练样本，包括正常和异常发热的电缆瓷套终端红外图像；S2.对步骤S1的红外图像进行归一化处理，并进行类别编码处理；S3.以归一化处理后的红外图像为输入，类别编码为输出，构建小波神经网络，并对小波神经网络进行训练，得到训练好的小波神经网络；S4.将待识别的电缆瓷套终端红外图像输入到训练好的小波神经网络，对比网络输出值和类别编码，得到红外图像的识别结果。本发明的方法构建四层小波神经网络，其中小波层采用二维小波基函数，将小波变换和神经网络有机结合，并应用于红外图像识别，能够提高识别准确性和稳定性。

技术领域

本发明涉及图像识别技术领域，更具体地，涉及一种基于小波神经网络的红外图像识别方法。

背景技术

随着计算机技术的发展和人工智能的兴起，模式识别已广泛应用于电气设备红外图像分析和研究中，成为一种重要的缺陷诊断方法。基于计算机人工智能算法的模式识别获取的红外图像信息比目测的结果具有更丰富的细节，能够反映出红外图像更细微的差异。

模式识别包括特征提取和分类器分类两个步骤。在特征提取方法中，作为傅里叶变换的重要发展，小波变换不仅具有时-频窗口可自适应变化的特点，而且具有良好的局部化特性，已广泛应用于红外图像分析，在分类器选取方面，人工神经网络由大量处理单元互联组成，具有自学习、自组织、自适应等特点，已成功应用于红外图像模式识别。如何将小波变换特征提取方法和神经网络分类器的优势结合起来，成为人们关注的问题。

目前的主要做法是基于小波变换进行信号特征向量提取，并将特征向量作为网络的输入进行分类。但在分类过程中，小波变换和神经网络是两个完全独立的部分，容易导致信号分类准确性不足，且稳定性差等问题。

发明内容

本发明为克服现有技术中的至少一项缺陷，提供一种基于小波神经网络的红外图像识别方法。本发明的方法构建四层小波神经网络，其中小波层采用二维小波基函数，将小波变换和神经网络有机结合，并应用于红外图像识别，能够提高识别准确性和稳定性。

为解决上述技术问题，本发明采用的技术方案是：一种基于小波神经网络的红外图像识别方法，其中，包括如下步骤：

S1.选取训练样本，包括正常和异常发热的电缆瓷套终端红外图像；

S2.对步骤S1的红外图像进行归一化处理，并进行类别编码处理；

S3.以归一化处理后的红外图像为输入，类别编码为输出，构建小波神经网络，并对小波神经网络进行训练，得到训练好的小波神经网络；

S4.将待识别的电缆瓷套终端红外图像输入到训练好的小波神经网络，对比网络输出值和类别编码，得到红外图像的识别结果。

进一步的，所述步骤S1中，所述异常发热的电缆瓷套终端红外图像包括线夹部位异常发热红外图像、应力锥部位异常发热红外图像和尾管部位异常发热红外图像。

进一步的，所述步骤S2中，具体包括如下步骤：

S21.对红外图像进行归一化处理：

X(i,j)＝(x(i,j)-x_min)/(x_max-x_min)

式中，X(i,j)为红外图像位置(i,j)归一化处理后的像素灰度值，x(i,j)为红外图像位置(i,j)归一化处理前的像素灰度值，x_max和x_min分别为像素灰度值的最大值和最小值；

S22.对红外图像进行类别编码处理：

线夹部位异常发热红外图像、应力锥部位异常发热红外图像和尾管部位异常发热红外图像、正常发热红外图像分别编码为00、01、10、11。