基于BP神经网络的水下管道图像识别与判断技术研究
开篇：润墨网以专业的文秘视角，为您筛选了一篇基于BP神经网络的水下管道图像识别与判断技术研究范文，如需获取更多写作素材，在线客服老师一对一协助。欢迎您的阅读与分享！
摘 要
本文主要研究了采用数字图像处理技术对现有的AUV拍摄的海底图像进行处理，获得了包括海底输油管道、岩石、沙滩和沟壑等特征的大量图像样本，并用BP神经网络对样本进行训练，以获得成熟的BP网络，利用该网络可以提高对水下管道图像的判断效率，大大的增强了AUV视觉系统的工作性能。
【关键词】图像处理技术 海底输油管道 BP神经网络
自主式水下机器人（Autonomous Underwater Vehicle，AUV）是人们探索海底资源和进行海洋活动的重要工具。由于AUV的独特优势，其在海底石油管线巡检中正发挥着越来越大的作用。AUV在工作时实现管道追踪和航线轨迹规划主要依靠声学或光学等手段。当AUV距离管道目标较近时，AUV的水下成像和处理系统可以生成较为清晰直观的管道图像并实时存储，这些图像除了能让AUV实现光学上的轨迹导航，后期还能帮助作业人员分析管道的状态，判断管道的腐蚀和破坏程度，给后续施工提供参考材料。
另一方面，由于水下环境较为复杂，AUV水下成像系统所拍摄的底片常常包含有各种噪点和背景物。因此，为了提高水下成像和处理系统的工作质量和效率，有必要对图片进行数字化处理，以准确获取信息，实现AUV对管道的高效追踪和巡检。
为了实现这一目的，本文首先研究了采用图像信号处理的方法对水下图像进行处理，通过计算机数字图像处理，本文获得了大量优质的可用于分析的水下图像；其次，本文利用神经网络的相关方法，采用BP神经网络对获得的水下图像进行分类识别，经过网络训练，获得了具有较好分类效果的BP神经网络，可以对不同目标物的图像进行分类识别。本文的主要研究思路如图1所示。
1 常见的水下图像类型
为了验证本文提出的图像处理及BP神经网络分类方法的有效性，我们选取了几类典型的通过的水下图像，分别为分布有石块的海底、海底沙滩、海底沟壑和海底输油管道，具体图像见图2。
本文将利用数字图像技术对这几种典型的水下图像进行处理，以获得供BP神经网络训练的优质样本。
2 水下图像数字处理技术
要对水下图像进行分析和识别，首先需要大量包含丰富信息的优质数字图像，以便进一步的分析。本文将获得水下图像进行灰度变换、中值滤波、模糊增强和阈值化等数字处理技术进行处理，以获得可以更好为计算机软件识别的特征信号，通过此方法获得的数字图像可以作为本文研究的基础。图3为常见的两种水下仿真图像经过处理后的数字图像。
3.1 BP神经网络水下图像识别的基本原理
要对水下图像进行机器识别必须先对其图像特征进行描述。根据相关研究文献，本文选择图像中目标物长径比、伸长度、圆形度、一阶不变矩4个特征参数来对水下目标中最常见的输油管道、分布有石块的海底、海底沙滩、海底沟壑进行描述；通过研究这4类特征参数在不同图像中的不同值，来确定水下样片中的核心图像为管道还是岩石、沟壑等物。
BP神经网络即后反馈神经网络，是一种改进型的神经网络，该神经网络可以以任意的精度逼近任意一个连续函数，利用BP神经网络可以很好地实现预测和分类的功能。
本文采用BP神经网络，以经过数字技术处理后的水下图像为研究对象，以长径比、伸长度、圆形度、一阶不变矩为判定指标，对图像进行了分类识别研究。
从通过前文介绍方法采集到的水下数字图像中，选择出10组作为BP网络研究的样本，通过matlab计算每张图像中的4个特征参数，获得图像类型与特征参数的关系如表1所示。
3.2 定义输入和输出样本数据
（1） 定义输入样本数据。从表1中的10组数据中随机选择6组（序号分别为：1、3、6、7、8、10）作为输入样本，经数据归一化以后输入Matlab软件。
（2）对输出状态进行编码。输出为4维向量，定义期望输出向量如表2所示。
（3） 构建BP神经网络：由于本文构建的网络的输入和输出情况较为简单，为了简化网络结构，提高运算速度，采用包含一个隐含层结构的BP神经网络。其中，网络输入单元为4种水下图像的特征参数，输出单元为4种海底图像形貌。根据网络为4-x-4结构形式，由经验公式可知隐含层节点数为3～13之间的整数，计算每个值对应的表征神经网络性能的均方误差值（MSE），可知当隐含层层节点数为4时，得到的MSE值最小为26，因此，网络的隐含层节点数选为4。本文所用BP神经主要传递函数为“logsig”和“purelin”函数。
（4）BP神经网络的训练。在Matlab中应用输入和输出样本向量对网格进行训练，定义期望误差为1e-6。训练过程中，BP神经网络经过13次迭代之后达到了满意的期望误差限。
（5）利用BP神经网络进行水下图像的分类判断。下面利用所有的10个样本对训练出的神经网络进行测试检验，在Matlab中输入表1中归一化后的所有数据，获得网络的输出数据，经过整理，结果如表3所示。由表3可看到，经过训练后的BP神经网络可以很好地对各个样本的状态进行判断分类，且判断的结果具有很高精度。另一方面，表中2组和9组样本的诊断出现了错误。为了提高网络诊断精度，可以在训练样本中加入这个样本，重新对网络进行训练。
4 结束语
视觉探测系统是AUV的重要系统，影响着其海底管道巡检的工作效率，而水下图像的分类识别技术又是视觉探测系统的核心。本文主要利用了计算机数字图像技术对海底图像原片进行处理，提取其特征后，利用BP神经网络进行训练，获得成熟的网络以用于图像的分类，最后得到的目标图像可用于AUV的光学轨迹导航等。本文的研究思路对相关AUV水下目标识别与跟踪等研究领域有一定借鉴意义。
参考文献
[1]李左车.AUV管道巡检的相关研究与工程应用[J].机器人，2013，35（4）：56-59.
[2]李亚兵.水下图像增强算法的研究[D].中国海洋大学硕士学位论文，2008
[3]高俊.基于神经网络的视觉检测方法[J].计算机工程，2005.35（4）：76-81.
[4]左宾.神经网络技术在数字图像分类中的应用[J].光学技术，2012，22（1）：45-51.
作者简介
高本国（1986-），男，云南省昆明市人。硕士学位。现为昆明船舶设备研究试验中心助理工程师，主要从事机械结构设计方面的工作。
作者单位
昆明船舶设备研究试验中心 云南省昆明市 650051