基于核范数正则低秩编码的风机叶片图像故障识别方法
【技术领域】
[0001] 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】
[0002] 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。
[0003] 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。
[0004] 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 Machine Intelligence第31 卷第2期210-227页发表的《Robust Face Recognition via Sparse Representation》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 Computer Vision and Pattern Recognition3360_3367页发表的〈〈Locality-constrained linear coding 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 Recognition 1834-1839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。
[0005] 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】
[0006] 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。
[0007] 本发明为解决上述技术问题采用以下技术方案：
[0008] 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：
[0009] 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；
[0010] 步骤2,利用基于核范数正则的低秩编码方法，计算归一化后的待识别样本在归一 化后的各训练样本上的线性表示系数；
[0011] 步骤3,根据线性表示系数计算归一化后的待识别样本在各个类上的残差，并根据 残差计算待识别样本所属的类。
[0012] 优选的，步骤1所述对训练样本集中的每个训练样本进行归一化的计算公式为：
(p =. 1_，…~料々=1.其中，Aij(p，q)为训练样 本第p行第q列的像素归一化后的像素值，Β^(ρ，(?)为训练样本第p行第q列的像素值， w、h分别为训练样本Bij的宽度、高度，j = 1，2，…，m，m为第i个类中训练样本的个数，i = 1， 2，…，c，c为训练样本集的类数。
[0013] 优选的，步骤2所述计算归一化后的待识别样本在归一化后的各训练样本上的线 性表示系数的目标函数为：
其中，11 · I |:为向量的1 范数，I I · I I*为矩阵的核范数，U为中间变量，D为归一化后的待识别样本，X=[X1，X2，···， XN]T为系数向量，A(X) = XlAl+X2A2+…+XnAn，X1，X2，…，XN为各训练样本Al，A2，…，An的线性表 示系数，
为所有训练样本的个数，C为训练样本集的类数，m为第i个类中训练样 本的个数4为残差项，!1=[￥6(^1)，'"力(^〃）]^(3(*)为矩阵的向量化操作，(^8(·) 为对角化操作，λ为第一正则化参数，β为第二正则化参数。
[0014] 优选的，所述目标函数的拉格朗日函数为：
[0015]
[0016] 其中，yi、Y2、Y3均为拉格朗日乘子，μ为第三正则化参数，If为矩阵的F范数的平 方，If为向量的2范数的平方。
[0017]优选的，所述拉格朗日函数的求解方法为交替方向乘子法。
[0018]优选的，步骤3所述根据残差计算待识别样本所属的类的计算公式为：
，其中，D为归一化后的待识别样本， -化后的第i类训练样本，i = 1，2，…，c，c为训练样本集 的类数，m为第i个类中训练样本的个数，wXh为训练样本的大小，4P)为第i类训练样本的 线性表示系数的特征函数。
[0019] 本发明采用以上技术方案与现有技术相比，具有以下技术效果：
[0020] 本发明提出一种用于风机叶片图像故障识别的基于核范数正则的低秩编码方法， 该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，为后续的故障维修提 供帮助。
【附图说明】
[0021] 图1是本发明基于核范数正则低秩编码的风机叶片图像故障识别方法的流程图。
【具体实施方式】
[0022] 下面详细描述本发明的实施方式，所述实施方式的示例在附图中示出，通过参考 附图描述的实施方式是示例性的，仅用于解释本发明，而不能解释为对本发明的限制。
[0023] 本发明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，具体流 程如图1所不。
[0024] (一)获取训练样本集
[0025] 假设图像的大小为wXh，训练样本来自于c个图像类，第出={1，2，~，(：})个类的 训练样本表示为乓=[見，~，…，\] e9T^ (其中，巧￡?-，」={1，2广.，财})。训练样本 集可以表示为5 = 其中，= 表示所有训练样本的个数。
[0026] 对于训练样本m,，对其进行模为1的归一化操作：
[0027]
[0028] 其中，B^(p，q)为训练样本图像By第p行、第q列的像素值。
[0029](二)运用核范数正则和低秩编码方法，计算待识别样本在训练样本上的表示系数
[0030] 对于归一化的待识别样本图像D e、.)ΓχΛ，用训练样本集中的所有样本对其进行