通信装备故障图像诊断系统技术研究

摘要

通信装备是保证现代社会经济活动正常进行的基础设施。它们的生产装配过程需要经过严格的测试，测试通常由经验丰富的专业人员开展。随着人力成本的提高，如何提升调测效率、减少人员技能要求和降低调测成本是大型装备供应商面对的主要挑战。所以，急需开发一套图像处理实现故障诊断的工具辅助装备的测调。本文主要在工具板装配位置固定和可变两种测试环境中，诊断工具板插拔错误和网孔插拔错误两类故障。
　　由于采用智能终端拍摄装备图片，目标在图片中会出现位置、角度和尺度的变化。对于工具板装配位置固定的测试环境，本文研究了基于特征点匹配的图像配准与工具板分割方法。选取标准图像，计算出标准图像与待测照片的SIFT特征。将标准图像的感兴趣区域内的SIFT特征与待测图像中全部特征匹配。根据最佳匹配的4对特征点计算透视变换参数。配准待测图像，使得装备所在区域与标准图像重合。最后便可按照标准图像中工具板、网孔的位置对图像进行分割。
　　在装配方式可变的测试环境中，不同工具板的插拔位置可以互换。本文借鉴行人检测的方法研究了基于HOG特征的工具板检测方法:提取各类工具板样本的HOG特征作为支持向量机的训练数据，得到工具板检测器。以滑动窗口的形式在不同尺度的待测图像中检测工具板，得到通信装备中每种工具板的数量，进而知道装配是否正确。同时，针对HOG特征维数过大，采用非负矩阵分解的方法对其降维，以此降低SVM训练时间和工具板检测时间。
　　网孔故障的识别采用BP神经网络和深度学习算法，并对二者进行比较。BP神经网络训练中，分别提取网孔灰度边缘和彩色边缘，将边缘检测图像分成25份并统计每份中像素值为1的像素点数作为特征向量。结果表明使用彩色边缘特征训练的神经网络性能优于灰度边缘训练的分类器。选取卷积神经网络和深度置信网络两种深度学习算法，学习网孔灰度图像得到网孔状态识别的分类器。深度学习算法的网孔状态分类性能优于BP神经网络，错误率低于1％。

目录

声明

摘要

第1章 绪论

1．1 课题研究背景及意义

1．2 国内外研究现状

1．2．1 目标检测的研究现状

1．2．2 目前存在的问题

1．2．3 发展趋势

1．3 本文研究内容和目标

1．4 论文结构

第2章 图像处理与模式识别概述

2．1 数字图像处理概述

2．2 图像特征提取

2．3 图像模式识别

2．3．1 模式识别

2．3．2 图像模式识别的概念

2．3．3 图像模式识别的基本方法

2．4 本章小结

第3章 通信装备图像配准与分割

3．1 SIFT特征检测

3．1．1 尺度空间极值检测

3．1．2 SIFT特征点定位

3．1．3 SIFT特征点方向确定

3．1．4 SIFT特征描述子

3．2 SIFT特征点匹配算法

3．2．1 SIFT特征匹配方法

3．2．2 随机抽样一致算法

3．3 图像透视变换及配准

3．4 实验结果分析

3．5 本章小结

第4章 工具板识别算法研究

4．1 HOG特征

4．1．1 HOG特征提取的步骤

4．1．2 HOG特征提取结果

4．2 支持向量机

4．3 HOG特征的NMF分解

4．3．1 非负矩阵分解算法

4．3．2 HOG-NMF特征及性能

4．4 基于HOG特征的工具板检测

4．5 实验结果与分析

4．6 本章小结

第5章 网孔故障诊断算法研究

5．1 BP神经网络与深度学习网络

5．1．1 BP神经网络

5．1．2 卷积神经网络

5．1．3 深度置信网络

5．2 网孔状态识别

5．2．1 BP神经网络网孑L状态识别

5．2．2 CNN网子L状态识别

5．2．3 DBN网孔状态识别

5．3 实验结果分析

5．4 故障图像诊断系统

5．5 本章小结

总结与展望

总结

展望

致谢

参考文献

攻读硕士期间发表论文及科研成果