[发明专利]基于深度学习及图像处理的非接触振动频率测量方法

权利要求书

1.一种基于深度学习及图像处理的非接触振动频率测量方法，其特征在于，包括以下步骤：

1)获取被测物的图像序列，在此基础上，选取被测物的待测区域，然后提取待测区域的图像序列；

2)将所述图像序列的第一帧图像输入训练好的深度卷积神经网络，将图像中的所有像素分为零值像素和非零像素；

3)选择所有非零像素对应的位置为有效像素，并将有效像素的坐标存储成列表，用于振动信号提取；

4)对于图像序列中的每个图像，采用光流法先将其转为亮度信号，再提取每个有效像素的速度信号时程，即每个有效像素的振动信号；

5)对所有有效像素的速度信号时程进行平均及归一化处理；

6)通过傅里叶变换对步骤5)处理后的信号进行功率谱密度估计，得到功率谱密度，并通过峰值拾取法获得频率组成，得到非接触振动频率测量结果；

所述深度卷积神经网络的输入层输入所述图像序列的第一帧图像，输出层输出零值像素和非零像素两个类别，隐含层由四层二维卷积层和两个全连接层组成，每一个二维卷积层均包含一个线性整流函数以作为激活函数，激活函数之后跟着一个局部响应标准化层以及一个最大池化层，全连接层将前一层的所有输入进行连接；将隐含层的输出激活输入柔性最大激活函数，从而在输出层得到每一分类对应标记的概率分布；然后通过最小化带有附加正则项的柔性最大激活函数损失方程来优化整个网络的可训练参数，通过反复迭代训练，完成对深度卷积神经网络的训练；所述带有附加正则项的柔性最大激活函数损失方程为：

其中，L_PS表示正值共享损失，l是输入的分类标签，Γ(l＝j)表示第j个非零分类的指示函数，W为用于控制正值共享损失函数的正值共享行为的权重参数，以通过调整W，使上述方程的表现更趋近于柔性最大激活函数损失方程或二分类器；柔性最大激活函数损失方程的表达式为：

L_SM＝-∑Γ(l＝j)logσ(o_j)

其中，L_SM表示SoftMax损失，σ(o_j)是第j个非零分类标记的概率分布，K是所有非0分类标签总数。

2.根据权利要求1所述的基于深度学习及图像处理的非接触振动频率测量方法，其特征在于，采用光流法提取图像中有效像素的振动信号的方法为：

在带有亮度信息的单通道图像中，将像素的亮度值存储为一个带有x和y坐标的二维量，即表示为B(x,y)，且在图像序列中每一帧的亮度信号又是一个关于时间t的信号，因此，将每一帧图像中像素的亮度信号表示为B(x,y,t)；

对于无限小的时间变化Δt，对应的亮度变化也趋近于0，即：

应用链公式得到：

令u和v分别表示像素在x和y方向上的速度流，代入可得：

B_xu+B_yv+B_t＝0

其中B_x、B_y、B_t分别表示亮度值对于x、y、t的偏微分；

通过平滑性假设引入一个附加约束，所述平滑性假设是指亮度值于整张图像是平滑变化的，即图像中像素点的u和v相对于周边像素的对应值不会发生突变，采用来度量u和v偏离平滑假设的程度，采用E_b表示亮度约束误差的总合：

E_b＝B_xu+B_yv+B_t

同时考虑上述两个约束的情况下，将两假设的总偏离度表示为：

其中，E为所要最小化的总偏离度，α为权重系数，当α较大时，u和v的全局平滑性有着更高的权重，反之相反；从上述公式推出以下迭代方程：

式中，分别表示第n+1次迭代后像素(x,y)在x、y方向上的速度流；从而通过迭代求得每个有效像素的u和v的值。