管内壁损伤特征提取与识别方法研究

作     者：张莉华 

作者单位：西安科技大学 

学位级别：硕士

导师姓名：赵谦

授予年度：2022年

学科分类：08[工学] 080203[工学-机械设计及理论] 0815[工学-水利工程] 0802[工学-机械工程] 

主      题：管道检测 图像增强 特征提取 特征选择 图像识别 

摘      要：供水管道是现代化城市发展的重要基础设施,为保证其安全运行,对管道内壁损伤种类实现精确检测具有巨大的工业应用价值。目前,图像处理和模式识别技术可以有效地检测管道内壁损伤种类,但存在特征提取精度低、识别率差、结果受主观因素影响较大的问题。针对以上问题,本文提出了改进的随机森林特征选择算法和支持向量机分类模型,实现对供水管道内壁损伤图像的特征提取与自动识别,为管道维护提供重要的技术支持。在分析供水管道结构特征的基础上,首先搭建内窥镜管道图像采集平台,然后利用基于锥面双向投影模型的全景展开算法和基于双向照度估计模型的Retinex算法进行图像预处理,从而提高图像的对比度,最后建立管道内壁损伤图像样本库。针对随机森林算法在管道内壁损伤特征选择时造成识别率较低的问题,提出基于特征简化的随机森林算法,对提取的颜色统计特性、灰度共生矩阵、灰度游程矩阵特征进行特征权重的计算和重要度的评估与排序,并根据排序结果进行特征选择。该算法提升了划分较多特征数据时属性权值的可信度,实现了特征降维。结果表明,改进的随机森林算法能够减少图像的冗余特征,有效提高管道内壁损伤特征的识别精度。针对支持向量机算法在管道内壁损伤特征识别时性能较差的问题,提出基于黏菌优化算法的支持向量机分类模型(SMA-SVM),对支持向量机的惩罚参数和核函数参数进行优化,提高SVM的泛化性能。实验结果表明,SMA-SVM分类模型的准确率高达94.710%,相比于SVM分类模型、基于差分花授粉优化的SVM分类模型、粒子群优化的SVM分类模型、BP神经网络的识别准确率分别提高了 4.786%、3.023%、4.030%、0.503%。因此,特征简化的随机森林算法和黏菌优化的支持向量机分类模型对管道内壁损伤图像具有较好地识别效果。