风机桨叶故障诊断（二）获取图像几何主方向

风机桨叶故障诊断（二）获取图像几何主方向

昨天，我将视频资源按帧抽取并筛选得到了可以用来提取样本的图像库。今天还是进行项目的准备工作。当我们拿到一张图片，我们的软件要做的大致可以分为三个步骤：从原图中识别桨叶——从桨叶中寻找故障——诊断故障类型。

我们第一步要识别的核心物体是桨叶，首先桨叶的运动是有其特点的，它绕着一个轴在旋转，所以我们得到的图像中桨叶的方向是360°任意的。就如下图所示：

我考虑到由于样本数量并不庞大且多样，设计一个算法识别出一个物体是否为桨叶（且提供的桨叶图像方向任意）的方案并不理想。我感觉如果我们对于任意的桨叶图像，能够识别出桨叶所指的方向，然后将其统一旋转到水平方向来归一化样本，应该是个不错的选择！

现在的问题就是，如何将图像中物体的几何主方向提取出来。

首先我们想提取桨叶的几何轮廓信息，而要排除背景等因素的干扰。考虑使用边缘提取算法。下面我们均以下图所示桨叶为例，展示算法的结果

下图是采用不同算子进行边缘提取后的结果

注：上图所示结果在边缘提取前进行了高斯滤波，我在试验了批量样本后发现在边缘提取前进行滤波是必要的，可以排除背景中包括云层等因素的影响。下面是某个桨叶图像直接提取的结果（未滤波）

进行了大量的探索之后我们发现：

1.在边缘提取前有必要进行滤波，我使用的是高斯滤波

2.边缘提取时sobel算子和roberts算子表现比较好，所以后面的边缘提取我将采用sobel算子，我再赘述。

到这里，我们得到了桨叶的几何轮廓信息，就像下图所示，怎么从中得到桨叶的方向呢？

我们可以看到桨叶的几何轮廓非常具有特点，大致由两条角度近似的直线相交在一起。可以看出，这样的轮廓，其具有明显的像素值的梯度方向，也就是与两条角度近似直线方向的垂直方向。换个角度想，某个角度的梯度大小与频率域的某个方向的总能量大小时对应的。所以我们可以用二维傅里叶变换将图像变换到频率域，用结果求出对应的能量谱，将频率域沿原点上半平面分180份（因为下半平面与上半平面的角度是一一对应的，所以只考虑上半平面就可以了），分别计算每一份小扇形所包含的区域内的能量总和，也就代表着这个角度上所包含的能量大小。

上图边缘提取结果再进行二维傅里叶变换后的能量谱如下图所示（图像中心对应于0频率），可以明显看出能量主要集中在水平方向。

我们取180个角度中能量最大的那个作为我们的主方向输出，即可完成算法。算法输出的主方向角度和对应的桨叶图像示例如下：

41°

1°

135°

由上面的结果可以看出，对于识别桨叶所指角度的问题，这个方法十分有效且可靠。这样，我们拿到一个桨叶图像后，即可调用算法识别主方向，然后将其旋转到水平方向，这样我们的样本就得到了归一化，相信之后的预测算法能够表现的更好。

不过我们还可以注意到一个问题，算法对于负角度的桨叶输出结果是与之对应的正角度，在后面的工作中，应该要再用一个方法区分一下正反。

识别图像中物体主方向算法的matlab实现如下：

function [mdex] = MainDirec(a)
%根据图像边缘信息估计纹理主方向%若是彩色图像，将其变换为灰度图像
if(size(a,3)~=1)a=rgb2gray(a);
end%使用sobel算子进行边缘提取
[w,h]=size(a);
edge_a=edge(a,'sobel');%注：fft2是2维离散傅立叶变换
% 傅里叶变换后，如果使用fftshift命令，0频率分量将会移到坐标中心
fedge_a=fftshift(fft2(edge_a));%求傅里叶变换的实部、虚部
realf=real(fedge_a);
imagf=imag(fedge_a);
%求傅里叶变换的能量
pfa=sqrt(realf.^2+imagf.^2);
%绘制出能量谱看下
imshow(pfa);%dhist用来记录每个角度上的能量
dhist=zeros(1,180);%0频率分量出的坐标（坐标中心）
x0=w/2; y0=h/2;for i=1:wfor j=1:h% 函数 theat=atan2(imagf,realf); 将 theat 归一化到 [0,pi]temp=atan2(j-y0,i-x0);if(temp<0)temp=temp+pi;end%round 向最近的整数取整%mod(a,b)就是求的是a除以b的余数%下面的一行代码将[0,pi]的角度换回[0,179],这样temp+1的范围就是[1,180]temp=mod(round(temp*180/pi),180);%dhist用来记录每个角度上的能量%将当前位置的能量累加到记录当前位置所属角度的能量的变量dhist中dhist(temp+1)=dhist(temp+1)+pfa(i,j);end
end% %将精确的能量谱简化成分段的形式
% dsp=[0:10:170;10:10:180];
% hist=zeros(1,18);
% for i=1:180
%     for k=1:18
%         if(i>dsp(1,k) && i<=dsp(2,k))
%             hist(k)=hist(k)+dhist(i);
%         end
%     end
% end
% [mhist,mdex]=max(hist);[mhist,mdex]=max(dhist);end

风机桨叶故障诊断（二）获取图像几何主方向相关推荐

风机桨叶故障诊断（七）滑动窗与非极大值抑制NMS
风机桨叶故障诊断(七)滑动窗与非极大值一直NMS 到目前为止,我已经利用自编码神经网络提取特征后训练得到了BP神经网络(参见:点击打开链接),且在测试样本集上表现不错.下面我们就要应用到实际中来检验算 ...
风机桨叶故障诊断（六）利用自编码器进行特征学习
风机桨叶故障诊断(六) 利用自编码器进行特征学习在之前的工作中,我已经初步构建了三层的BP神经网络,并已经从样本集的选取,模型的选择(隐含层神经元个数),和输出层神经元阈值选择这几个方面对桨叶的识别 ...
风机桨叶故障诊断（五）修改隐含层神经元个数的尝试
风机桨叶故障诊断(五) 修改隐含层神经元个数的尝试我们已经为训练一个更为稳健的神经网络做好了样本的准备工作,那么我们开始下一步的工作吧! 我们已经有了样本集,目前我筛选出来了247个正样本,652个 ...
风机桨叶故障诊断（四）正负样本准备——从图像中随机扣图
风机桨叶故障诊断(四) 正负样本准备--从图像中随机扣图在之前的工作中,我们已经训练了一个400×25×2的三 ...
风机桨叶故障诊断（三）识别桨叶——初步构建BP神经网络
风机桨叶故障诊断(三) 识别桨叶--初步构建BP神经网络新的一天,希望有好的运气.今天开始着手系统的第一个模块,从一幅图像中寻找到桨叶所在的位置.第一直觉我们的识别任务属于难度比较大,干扰因素多的 ...
风机桨叶故障诊断（一）样本的获取
风机桨叶故障诊断(一) 样本的获取今天团队接了个新项目,做一个风机桨叶故障诊断系统.虽然马上就是准备考研的关键期了,可是一想到这是我学习了机器学习后遇到的第一个实际项目,我觉得参与进来,也 ...
OpenCASCADE：Modeling Data之二维几何
OpenCASCADE:Modeling Data之二维几何 Geom2d包定义了 2dspace 中的几何对象.所有几何实体都经过 STEP 处理.对象通过引用处理. 特别是,Geom2d包提供了以 ...
#第六章曲率二维表达的拟合应用一、四维时空曲率的二维几何表达
这又是一个麻烦的研究方向,四维影响的曲率一般都是通过函数计算出来的结果,如何在二维的几何平面直接用几何的方法表达这个曲率影响呢?不知道有多少人想过这么"无聊"的问题.笔者利用波的向 ...
java定义一个接口shape_java声明一个接口Shape2D用来实现二维几何形状类Circle和Rectangle。...
java声明一个接口Shape2D用来实现二维几何形状类Circle和Rectangle.10 匿名网友2015.05.20浏览371次分享举报 1.声明一个接口Shape2D用来实现二维几何形状类C ...

风机桨叶故障诊断（二）获取图像几何主方向

风机桨叶故障诊断（二）获取图像几何主方向相关推荐

最新文章

热门文章

风机桨叶故障诊断（二） 获取图像几何主方向

风机桨叶故障诊断（二） 获取图像几何主方向相关推荐

最新文章

热门文章

风机桨叶故障诊断（二）获取图像几何主方向

风机桨叶故障诊断（二）获取图像几何主方向相关推荐