水利工程质量检测中视觉图像法的仿真研究

李笑波

(辽宁省朝阳县水务局，辽宁 朝阳 122000)

0 引 言

近年来，我国水利事业发展迅速，工程投资规模和建设力度不断增强，显著改善了区域防洪功能和生活水平，水利工程质量检测逐渐引起工程领域和学术界的关注[1]。目前，以人力为主的水利工程质量检测仍占据主导地位，检测结果易受主观因素影响且需要以实地考察为基础。智能化检测方法随着计算机图像处理技术的发展越来越受到重视，其中基于像素差值、数理统计和小波变换的检测算法已成为水利工程质量检测最常用的智能化算法[2-4]。然而，传统的智能检测算法在实际应用过程中都具有一个问题，即以视觉图像为基础的水利工程质量检测，其远程图像获取主要通过飞行器来实现，图像采集时不可避免的会受到外界因素的干扰。例如，飞行器颠簸振动、天气等，像素关键细节特点受外界干扰而缺失，从而使得有价值的关键细节特征数量较少以及质量检测准确率过低，检测结果无法客观、真实的反映工程质量状况。

鉴于此，文章利用小波变换初始化处理采集的水利工程图像，通过去除图像中的噪声提高图像清晰度，并对待测区域是否存在误差利用误差补偿神经网络算法加以判断，即对检测误差是否符合标准要求利用方差计算结果评判，经误差补偿确保检测结果的准确度。该算法能够提高水利工程质量检测准确率，解决传统算法准确率较低及关键细节特点缺失的问题。

1 基本原理

实践表明，生物留下的痕迹(如各种洞穴等)对水利工程质量的影响较大，为准确检测出潜在的质量问题利用像素灰度值差值算法配合远程检测系统实现，其基本原理如下：

步骤一：图像的获取。应用机载图像采集设备获取待测区域图像，检测的远程图像清晰度较差、质量较低，该条件下利用灰度算法初始化处理采集到的图像[6]。

步骤二：灰度处理。设图像中某像素点的灰度值及其关键细节特点数量为n(y,z)、R，则P×P代表相邻区T的尺寸，对其灰度利用下式计算，即：

(1)

为提高图像质量将初始灰度值利用式(1)确定的灰度值替代，该过程即为初始化处理，通过获取更多的有效信息和数据保证质量检测的准确率。

然后利用公式(2)求解初始化处理后的图像像素灰度差值，其表达式为：

ω=n1(x,y)-n2(x,y)

(2)

式中：ni(x,y)为待测区域预处理后的像素点灰度值；ω为像素灰度差值。

步骤三：质量问题的判别。根据公式(3)、(4)实现质量隐患阈值系数的计算及水利工程质量问题的评判，具体为：

(3)

(4)

式中：h为质量衡量标准阈值；S为质量隐患阈值系数。因此，像素差值大于或者小于衡量标准，则待测区域存在或者不存在质量问题。

步骤四：准确率计算。水利工程质量检测准确率利用公式(5)计算，即：

λ=S/(y2+z2)

(5)

通过雷达获取的远程图像不可避免的会发生像素关键细节特征的缺失，该条件下所获取的关键细节特点数较少，此时运用式(2)确定的像素灰度差值偏小，从而导致该区域像素差值系数利用公式(3)计算时也偏小，并最终致使公式(4)、(5)确定的监测准确率较低。

因此，为提高水利工程质量检测准确率构建神经网络数学模型，通过有效补偿检测过程中的误差确保质量检测精度。

2 视觉图像法

文章按照误差补偿、误差检测、模型构建、图像预处理等流程，实现人脑与人眼功能的模拟，并以视觉图像完成水利工程检测质量的判断，具体流程如下：

2.1 图像初始化

通过预处理远程采集的水利图像确定像素有关参数，对待测区域像素参数利用以下公式计算，即：

ej=g(uj)-ρaj

(6)

式中：aj为像素点a(0，1)的噪音参数；uj为像素点排序序号及其点数之比，j为像素点排序序号。

噪声系数ρ利用以下公式确定，即：

(7)

式中：P为小波变换处理的极大指数值；l、Ejl为小波变换参数数量以及参数取值。

待测图像中的噪声利用噪声频率阈值筛选可以有效去除，并以公式(8)、(9)作为相关计算的约束条件，为保留原始图像中的有效信息应最大限度的去除图像中的噪声，经处理保证检测精准度，即：

F|Ejl-aj|/P2≥1

(8)

ej≥0

(9)

通过上述处理可以保留初始图像中的有效信息，显著提升图像清晰度及其质量，为水利工程质量检测以及提升其检测精准度提供可靠的数据支持。

2.2 神经网络模型

实质上，对工程质量归属类别的判断就是水利工程质量检测，以是否合格评价待测区域质量状况，其中神经网络的输入值取图像相关参数初始化处理后的数据，输出有0、1两种情况，即水利工程存在或不存在质量问题两种情况，详细流程如下：

设J=(U，L)为水利工程相关图像初始化处理后的某像素点平面特征分量，则神经网络输入值就是对该分量归一化处理后的数据，利用下式计算模型输出，即：

(10)

式中：Jn为输入网络模型的第n个特征向量；bl、cl第l个移动系数和伸缩系数；xl为神经网络中输出层与隐含层间的权值系数；ρ(y)具有较快收敛速度的正切函数。

然后利用小波变换法处理相关参数，即i(y)=y/fy2，其种能量系数极小值以及相关参数调整利用公式(11)确定：

(11)

式中：ej为理想条件下神经网络的输出值；pj为神经网络对待测区域第j个像素的结果输出；P为全部像素数目；输出结果ej取0或1，分别代表水利工程存在或不存在质量问题。

2.3 误差检验与补偿

2.3.1 误差检验

依据设置的检测标准，对水利工程质量检测是否存在误差进行检验，在此基础上有效补偿存在的误差，其流程如下：

设参数Y、Z为质量检测系数以及检测密度，显著系数b取0.5，在v1、v2检验参数未知的条件下，有必要利用下式检验水利工程质量，即：

(12)

检测系数衡量标准按照上述公式来确定，该条件下可对工程质量实际检测系数利用下式计算，即：

U=(Y-Z)/(p12+p22)

(13)

若衡量标准大于实际计算的检测系数，则检测误差能够符合预设置的标准要求；若衡量标准小于实际计算的检测系数，则检测误差超过标准要求，此时必须实行误差补偿。

2.3.2 误差补偿

(14)

xk+1=xk-bxkT(x)k

(15)

通过反复迭代运算，利用上式确定权值系数方向分量T和新的权值系数矢量，其中权值系数在第k次迭代处理时的训练参数为bxk；同理，采用相同算法经迭代运算确定伸缩系数和平移系数，设运算终止条件为检测误差不超过衡量标准。依据以上运算结果求解补偿误差，经误差补差解决传统算法存在的问题，并进一步提高检测精准度。

2.4 仿真模拟

通过建立水利工程模型验证误差补偿神经网络算法的有效性，并按照图1完成质量检测模拟。

图1 质量检测流程

本研究对水利工程模型利用误差补偿神经网络算法和传统算法进行质量检验，相关图像像素关键细节特点在该水利工程模型中缺失160个，由此确定的准确率变化趋势如图2所示。

图2 检测准确率变化趋势

其中，横纵坐标代表用于检测的图像特征数量级和质量检测准确率；从图2可知，采用文中所述误差补偿算法能够有效解决图像像素关键节点特点缺失的问题，较传统算法显著提高检测准确率。

然后对水利工程模型质量检测准确率利用公式(5)和传统算法进行计算，计算结果见表1。从表1可知，对水利工程质量检测准确率利用误差补偿算法计算时无需过度依赖图像像素关键细节特征数，较传统算法能够显著提高检测准确率。

表1 检测数据统计表

3 结 论

通过初始化处理采集到的水利工程图像，向神经网络模型输入工程检测相关参数，最终确定评判工程质量是否存在问题的基本依据为误差补偿后的网络输出。实践表明，经改进的神经网络模型能够显著提高水利工程质量检测准确率，有效解决传统算法存在的问题，可为水利工程运行管理和质量控制提供新的一种新的途径。