[发明专利]基于核范数正则低秩编码的风机叶片图像故障识别方法

说明书

本发明公开了基于核范数正则低秩编码的风机叶片图像故障识别方法，该方法首先获取风机叶片故障图像训练样本集，然后利用基于核范数正则的低秩编码方法，获取待识别样本在训练样本集上的线性表示系数，最后通过计算待识别样本在每个类上的表示残差，根据残差计算出待识别样本的类标。本发明方法不但保持了图像的结构信息，同时还将同类样本本身具有的低秩特征融入其中，并利用稀疏特征信息来得到待识别样本的表示系数，提高了识别精度。

技术领域

本发明涉及一种图像识别方法，特别是一种基于核范数正则低秩编码的风机叶片图像故障识别方法，属于图像识别技术领域。

背景技术

图像识别一般分为四个步骤：图像预处理、特征提取、特征表达以及分类。为了更好地跟踪和识别风力机叶片的运行状态，常常需要拍摄一些风机叶片图像。传统图像识别算法假定输入的图像具有较好的质量。然而在实际生活中，由于目标图像常常与摄像设备距离较远，又受到光照条件的变化，目标图像的运动模糊以及设备自身的噪声等因素的影响，所获取的图像分辨率低，噪声大，特征细节信息也极度有限。在这种情况下，传统的图像识别算法远远达不到人们所期待的结果。

随着电力发展的要求和科技的进步，对风力机的单机功率的要求越来越高，也就导致风力机长度越来越大，也导致叶片的问题越来越不容忽视。这就要求对叶片的故障能够及时的进行监测，及时的对叶片早期故障监测识别可以合理地安排维修计划，并防止由于叶片故障导致整个动力系统发生故障，减少经济损失。

现有的识别方法归类如下：1.基于稀疏表示的分类方法(SRC)，记载在J.Wright、A.Y.Yang等于2009年在IEEE Transactions on Pattern Analysis and MachineIntelligence第31卷第2期210-227页发表的《Robust Face Recognition via SparseRepresentation》中，该方法假定当测试样本所在类的训练样本数足够多时，测试样本可以由这些训练样本进行线性表示，而其他类的样本对重构该测试样本的贡献为0。2.局部限制的编码方法(LLC)，记载在J.Wang、J.Yang等于2010年在IEEE Conference on ComputerVision and Pattern Recognition3360-3367页发表的《Locality-constrained linearcoding for image classification》中，该方法在目标函数中增加局部性限制，使得求得的表示系数不光有稀疏性，还具有局部性。3.核范数正则编码方法(NSC)，记载在L.Luo、J.Yang等于2014年在IEEE International Conference on Pattern Recognition1834-1839页发表的《Nuclear NormRegularized Sparse Coding》中，该方法针对测试图像中可能含有的连续性噪声问题，运用核范数来刻画线性表示残差。NSC对于块状遮挡，比如围巾和眼镜遮挡，具有较好的鲁棒性。

以上方法在求解表示系数时，运用所有类的训练样本线性表示测试样本，并且用表示残差作为目标函数。然而，表示残差最小的那些训练样本未必与测试样本来自于同一类，使得求解的表示系数中非零元素不单单对应于同类样本上，导致表示系数的求解不够精确，同时导致训练样本中同类样本的低秩信息没有进行很好地利用。

发明内容

本发明所要解决的技术问题是：提供一种基于核范数正则低秩编码的风机叶片图像故障识别方法，运用基于核范数正则的低秩编码方法对风机叶片图像故障进行识别，满足实际应用中对风机叶片图像故障识别的高精度需求。

本发明为解决上述技术问题采用以下技术方案：

基于核范数正则低秩编码的风机叶片图像故障识别方法，包括如下步骤：

步骤1，获取风机叶片故障图像训练样本集和待识别样本，所述训练样本集包括c个不同的类，对训练样本集中的每个训练样本和待识别样本均进行归一化；