基于PCNN金属断口图像识别方法研究.doc

基于PCNN的金属断口图像识别方法研究 摘要：结合bandelet变换和神经网络的各自特点，提出了一种基于脉冲耦合神经网络(pulse coupled neural networks，pcnn)的新的识别方法。该方法将金属断口图像输入到pcnn中，像素激发引起神经元激发，发生点火，产生脉动序列输出，得到输出图像的神经元点火序列及熵序列作为断口识别分类的特征。该方法将pcnn引入到金属断口的识别研究中，开拓了金属断口模式识别的新领域，同时对于pcnn的理论研究和实际应用具有现实意义。 关键词：脉冲耦合神经网络断口识别神经元点火序列熵序列 0 引言 金属断口图像的模式识别与分类是进行断裂故障智能化分析的关键性问题。金属断口图像的识别研究已经取得一定成果，但识别的种类有限，识别率也有待于提高[1-3]。文献[4]提出利用小波变换等方法提取出的能量、l1范数和熵等特征，然后利用神经网络进行分类器设计的方法，取得了较好的识别效果，能够解决典型断口图像的识别问题。但在识别的过程中都需要学习，训练，而这些要求有大量的断口来保证学习和训练的质量，基于此，提出了一种新的断口图像的识别方法：将脉冲耦合神经网络应用到断口识别当中去。 20世纪90年代，eckhorn提出了脉冲藕合神经网络的定义。它是借助猫的视觉原理构建的简化神经网络模型，与bp网络和kohonen神经网络相比，pcnn无需训练、学习，就能在复杂的背景下提取所需信息，具有同步脉冲发放和全局耦合的特点，在信号形式及处理机制更符合人类的视觉神经系统生理学基础。 因此在断口数量较少的情况下，将断口图片输入到pcnn中进行迭代处理，得到由pcnn输出描述图像信息的熵值序列、点火时间序列、特征时间序列；再根据点火时间序列的距离阈值判断断口差别；最后通过欧式距离的大小直接进行断口的识别。实验结果表明，该方法在断口识别方面能取得良好的效果。 1 基于pcnn的断口识别模型 1.1 pcnn基本原理 pcnn的基础是eckhorn的连接域模型[5]。pcnn神经元模型主要由接受域、调制和脉冲产生三个部分构成。 接收部分接收到来自其他神经元与外部的刺激输入后,利用链接输入通道l或馈送输入通道f来完成传输。这两条通道，前者主要是对相邻神经元输出脉冲进行局部抽样,一般情况下链接接收域的半径极小。而相比之下，f通道会随着时间的延续对脉冲响应函数的变化比较缓慢，对应着外界的输入。链接输入l加上一个正的偏移量，再与馈送输入相乘构成内部活动项u。一个衰减的内部阈值h与一个阶跃函数共同构成了脉冲发生器。 非线性连接调制部分：也即神经元内部活动项，反馈输入和加有偏置权值的线性连接部分相乘能获得此项。 脉冲产生部分: 内部活动项的大小能是否能大于动态激发门限，往往决定着脉冲是否产生，如果神经元输出状态发生变化，这个门限也会随之变化。 从神经元本身的构成来看，脉冲耦合神经网络和传统的反馈型神经网络比起来，前者的特色化性能就显而易见，这就使pcnn具备变阈值、强自适应、同步脉冲发放等特性，在处理图像时，这些性能都能发挥很好作用。脉冲耦合神经网络神经元模型如图1所示。 1.2 识别模型的建立 通过pcnn处理图像的过程中，其基本单元脉冲耦合神经元的个数与图像中像素点的个数相当，也就是每一个像素点都有与之对应的神经元相连，而且神经元和神经元之间也是相连的。我们可以将pcnn模型简化为f通道，注意在强度上，f通道的输入值也要和像素点相同，周围神经元着火次数的总和就是l通道的输入值。 根据金属断口图像的灰度值确定pcnn 模型的点火时间，灰度值会随着点火时间的提前而增大，反之则越小。这样一来，各类断口裂纹的特点很容易通过脉动输出序列构成的二值图像体现出来，这就是所谓的通过pcnn 建立识别模型的原理。下面的公式就是pcnn离散形式的数学表达式： fij（n）=iij（1） lij（n）=exp（-αl）lij（n-1）+vl■wij，mnymn（n-1） （2） uij（n）=fij（n）*（1+βlij（n））（3） θij（n）=exp（-αθ）θij（n-1）+vθyij（n-1） （4） yij（n）=1，uij（n）＞θij（n）0，其它 （5） 上式中的神经元与周围连接的范围可取3×3或5×5的数值，用m，n来代替，而外部输入刺激信号则用iij表示；lij(n)表示连接输入，fij(n)表示反馈输入。pcnn神经元接受lij(n)及fij(n)，再在其内部神经元活动系统构成uij(n)，即内部活动项(模型中偏移量规整为1，β为链接强度系数)。如果动态门限θij(n-1)达不到uij(n)的数值，pcnn就会产生输出时序脉冲序列yij(n)。 2 基于pcnn的断口识别方法研究 2.1 特征提取 断口图像点火的神经元总数