基于多分类器的分层网络图像对象识别

网络进行训练，最后先通过　Ｍ支持向量机进行粗分类，在通过人工神经网络　进行细分类。　本文的结构如下：第二节主要介绍基于ＮＣＵＴ算法和ＲＣ显著性分析的图　像分割，第三节主要介绍图像特征提取的过程和方法，第四节介绍了支持向量　机与神经网络结合构造的双层图像识别模型，第五节为本文的实验结果及展　望。　２、基于ＮＣＵＴ算法和ＲＣ显薯性分析的的图像分割　首先利用ＲＣ算法对图像的显著性区域进行检测，再通过Ｍｅａｎ　ｓｈｊｆｔ算法　分割得到显著性区域。选择Ｍｅａｎ　Ｓｈｉｆｔ分割算法主要原因是该算法较图割法　（Ｇｒａｐｈ　Ｃｕｔ）和分水岭法有显著优势，其中图割分割法会基于轮廓提取整个目　标，而分水岭算法会造成过分割现象。基于Ｍｅａｎ　Ｓｈｉｆｔ￣法的显著性区域分割　原理“如下（对于每一个像素点）：　（１）初始化Ｊ＝１，并且使Ｙｆ‘１：Ｘｉ，　（２）计算ｍ　），　（３）把ｍ＾（　）赋给　ｌ　（４）如果Ｉｍ＾（　）一ｘｌ≤ｓ，Ｍｅａｎ　ｓｈｍ过程结束，记收敛后的值为　若　不然则继续执（１），　（５）赋值ｚ　＝（　，Ｙｉ　，。）－　（６）收敛至同一点的起始点归为一类，合并像素点过少的类，融合局部像素，　得到分割结果。　其中向量　＝　，ｘ　），　表示网格点坐标，　表示网格点上ｐ维向　量特征。分别用和表示原始Ｘｆ和Ｚｉ分割后的图像。定义向量：　最终，图像中的每一个像素点都有自己所属类的类标，实现了图像分割。　ＮＣＵＴ￣是一种无监督图像分割技术，它不需要初始化，并具有，个主要　的特点［２】：（１）它将图像分割问题转换为图的划分问题。（２沱是一个全局准则；　（３）它同时最大化不同组之问的不相似性和同一组内的相似性。由Ｊ　Ｓｈｉ与　ＪＭａｌｉｋ提出ＮＣＵＴ分割方法，用于解决图像分割与聚类中的问题。该方法对于　一幅输入的图像或一个特征点集建立一个带权的无向图［３】，每一个像素或者特　征点代表图中的一个节点，边上的权值代表像素或者特征点之间的近似关系，　然后在所建立的图上寻找一个正规化的最小割，来对图中的节点进行划分，进　而可以完成对图像或者特征点集的分割。本实验在基于显著性分析的分割算法　基础上融合Ｎｃｕｔ方法的优点，得到的分割效果较单独使用ＮｃＵＴ或显著陆分　析算法有明显改善。总而言之，ＮＣＵ　的重要意义在于：归一化割着重于提　取整幅图像的特征，同时度量不同分组之间的总体不相似性和各个组内的相似　性的总和。　图２依次为：ＲＣ显著性区域分析算法得到的实验结果，ＮＣＵＴ分割算法得　到的实验结果，ＲＣ显著性分析算法与ＮＣＵＴ￣法相结合的实验结果。从几幅图　的对比可以看出，将显著性区域分析算法图像分割算法相结合可以显著的提高　图像显著性区域的分割精确度。本实验图片来源于Ｃｏｒｅｌ－５Ｋ标准图像数据集，　算法运行环境为Ｗｉｎｄｏｗｓ　７　ＭＡＴＬＡＢ　Ｒ２０１３ａ。　３．圈像对象特征的提取及处理　经过上述图像分割过程，本文选取的图像对象特征为颜色直方图（ＨＳＶＨ），　Ｇａｂｏｒ纹理特征和多尺度不变特征变换（Ｄｅｎ￣Ｆａｓｔ　ＳＩＦＴ）描述子。　颜色直方图只包含了该图像中某一颜色值出现的频数，而丢失了某象素所　在的空间位置信息，任一幅图像都能唯一的给出一幅与它对应的直方图，但不　同的图像可能有相同的颜色分布，即特征选择较少会损失图像所包含的信息・　而纹理是图像处理和模式识别的主要特征之一，是指图像灰度等级的变化，这　种变化是与空间统计相关的。图像的纹理特征反应了图像本身的属性，有助于　图像的区分。一般的图片都具有丰富、稳定的纹理特征，且利用统计方法方法提　取图像的纹理特征具有计算量小的特点，因此在进行特征提取时选择纹理特征　来确保图片信息完整。　尺度不变特征变换（Ｓｃａｌｅ－Ｉｎｖａｒｉａｎｔ　Ｆｅａｔｕｒｅ　Ｔｒａｎｓｆｏｒｍ，ＳＷＴ）描述子　由Ｄａｖｉｄ　Ｇ．Ｌｏｗｅ￣２００４年提出，该图像特征提取算法成功的被运用到图像拼　接、图像分类等计算机视觉课题中。　但是传统的ＳＩＦＴ描述予仍然存在的兴趣点有限、计算复杂度高以及在　ＢｏＷ模型中应用的局限性等问题，本文使用了一种改进的适用于Ｂ０ｗ模型的　多尺度ＤＦ－ＳＩＦＴ（Ｄｅｎｓｅ　Ｆａｓｔ　ＳＩＦＴ）描述子。该描述子采用密集抽取的方法对　图像进行均匀像素间隔的兴趣点计算，且对每个特征进行多尺度描述，能够更　加充分的利用图像信息，保证了特征的尺度不变性，最终能够得到一个可以适　用用于分类器的特征综合。　工业技术　Ｃｈｉｎａ　ｓｃｉｅｎｃｅ　ａｎｄ　Ｔｅｃｈｎｏｌｏｇｙ　Ｒｅｖｉｅｗ　●ｌ　４．支持向量机与神经网络结合构造双层圈像识别模型　支持向量机的理论最初来自于Ｖａｐｎｉｋ等［４］在１９６３年提出的支持向量　方法，其主要思想是使结构风险最小化。ＳＶＭ可以在样本数量很少的情况下　达到很好的分类效果。其基本原理是寻找一个最优分类面（ｏｐｔｉｍａｌ　ｈｙｐｅｒｐｌａｎｅ）　并使其两侧的分类间隙（ｍａｒｇｉｎ）最大．。对于非线性可分问题，ＳＶＭ首先通　过非线性变换将输入向量Ｘ映射到高维空间中，以使其在高维空间中能够进　行线性分类．。相应的分类函数为：　ｆ　．　ｆ（ｘ）＝ｓｇｎ（鏊　　２￣Ｙｉ（ｘｉ・　）＋６。）　ｉ＝１　．　ｆ（ｘ）＝ｓｇｎ（　Ａ￣ＹｉＫ（ｘｆ・　）＋ｂ’）　ｆ＝１　对于不同的样本进行分类（只有两种情况），通常将样本标记为＋ｌ、一ｌ，式　中的　（　・　）为支持向量机的核函数。　由于ＳＶＭ只能将样本分为两类，所以对于图像检索领域中的多分类问题　需要构建二叉树形式的决策树来进行分类，但是这样就带来了计算量大、核函　数选择困难等问题。因此，本文使用ＳｖＭ作为第一层分类器对样本进行粗分类，　发挥了ＳⅥｖＩ的优势。　在经过　Ｍ粗分类器分类之后，使用神经网络ＢＰ（反向传播）算法对图像　进行进一步分类，该算法是由Ｒｕｍｅｌｈａｒｔ和ＭｃＣｅｌｌａｎｄ［５］￣－１９８６年对于非线性　连续转移函数的多层前馈神经网络的误差反向传播（Ｅｒｒｏｒ　Ｂａｃｋ　Ｐｒｏｐａｇａｔｉｏｎ）　算法提出了详细的分析。ＢＰ算法利用输出层的误差来估计输出层的直接前导　层的误差，再利用这个误差估计更前一层的误差，如此下去获得所有层的误差　估计。这样就形成了将输出端表现出的误差沿着输入信号传送相反方向逐级向　网络的输人端传递的过程。人工神经网络用于图像识别的优点是：神经网络的　信息分布存储于连接权值中，使网络具有很高的容错性，而图像识别中往往存　在噪声干扰或输如图像的部分损失，因此神经网络可以较好地解决图像的识别　问题。　构造一个ＢＰ神经网络需要确定其处理单元一神经元的特性和网络的　拓扑结构。神经元是神经网络最基本的处理单元，隐层的神经元采用Ｓ型变　换函数，输出层的神经元可采用Ｓ型或线性型变换函数。对于三层ＢＰ神经　网络［句，输入节点　，隐层节点．），　，输出节点Ｚ　当输出节点的期望值为　时，　模型的计算公式如下：　隐层节点的输出ｙ　＝ｆ（￣．／Ｏｉ　一Ｏｊ）＝ｆ（ｎｅｆ　）　其中Ｂｅ　：ＥＯ）ｊｉＸｉ—　；　输出节点的计算输出　ｆ（￣ｖｇｙ　一　）　ｆ（ｎｅｔ，），　其中ｎｅｔｔ　∑　厂０ｉ；　输出节点的误差为Ｅ：０．５∑（　一　）．。　构造ＢＰ神经网络的重要环节是确定隐层节点数，隐层节点数过多会导致　收敛速度降低，并导致“过学习”现象，识别正确率降低，当隐层节点数过小时网　络综合性能较低，识别图像正确率也降低。本文采用隐层节点数公式【７】来确定　节点数量：　Ｊ＝４（Ｉ＋ｚ）＋ａ｝　ｌ为输入层节点数，Ｌ为输出层节点数，ａ为１到１０：￣５间的常数。　输入层节点对应经过Ｅ述特征提取过程得到的特征向量的一个值，输出节　点则为语义类别数。经过训练样本的训练过程后，该人工神经网络就具备了对　图像分类的能力。训练算法步骤如下：　（１）初始化权系数等参数，包括学习速率，迭代次数，误差范围，隐层节点　数等，　（２）样本读人，　（３）令Ｚ　（，ｚ）＝［　１　），Ｚｋ２（，ｚ），……，ｚ　（，ｚ）】为第ｎ次迭代时神经网　络的实际输出值，其中ｎ沩输出层的节点数・　（４）判断期望输出与实际输出的误差是否在允许范围内，满足要求则训练　结束；　（５）判断迭代次数是否大于设定值，若大于则训练结束；　（６）判断是否学习完所有样本，没有完成则跳转至第（２）步，完成则训练结　束。　５、实验及结论　实验分析：本文使用上述双模型算法对ＣｏｒｅＩ－５Ｋ图像库中的图片进行分　类，要对图像库中的图像分为ｍ类，输出节点数也为ｍ，并且需要大量的训练样　本和训练时间才能得到较好的泛化能力　实验发现，ＢＰ神经网络的参数不同得　到的准确率和查全率变化较大，且和要分类的语义类别有关。本算法所采用的　科技博览｝４３　工业技术　Ｉ■　ｃ｝ｌｉｎａ　ｓｃｉｅｎｃｅ　ｍａｄ　Ｔｅｃｈｎｏｌｏｇｙ　Ｒｅｖｉｅｗ　采油井杆管断脱原因分析及治理对策　孙建　１６３５１３）　（第九采油厂葡西作业区采油六队黑龙江［摘要］随着油田抽油机井不断增多及开采时间的延长，油田开发目前处于高含水后期，抽油机井杆管偏磨井数不断增加，杆管断脱井次也随着增加，对原　油生产及开发效益产生很大影响。为不断提高油田开发效益，本文通过对抽油机井杆管断脱特点，对断脱机理、杆柱设计、工况影响等方面对造成杆管断脱的原因　进行了分析，结合现场实际情况，使抽油机井杆管断脱逐年上升的趋势得到控制。　［关键词］杆管断脱分析技术对策治理效果　中图分类号：ＴＥ９３３　文献标识码：Ａ　文章编号：１００９—９１４Ｘ（２０１５）２８—００４４—０１　１抽油机井秆管断脱特点　据统计，新杆管投人使用后，仅２年就发生了断裂。部分井新杆管的平均使　２０１２－２０１５年某矿抽油机井共发生杆管断脱５２３井次，其中抽油杆断３９７井　用期限不到４年，完全没有达到杆管正常的使用期限。分析认为，杆管断裂的主　次，脱扣２３井次，油管断９８井次，脱扣５井次，杆管断与杆管脱的比例为１７：１，说　要原因有以下几点：　明断脱是以杆管断为主。通过９８井次油管断裂类型分析，丝扣断５４井次，本体断　（１）部分原油物性较差，含蜡高，清防蜡技术不配套。我矿清防蜡仍以热洗为　ｌ７井次，接箍与本体连接处断２３井次，断裂位置不详４井次。对１５ｏ－￣次抽油机井　主，化学法为辅，部分区块清防蜡方式选择不当，热洗周期不科学，造成清防蜡　故障情况分析发现，抽油杆断裂规律不很明显：公扣下２０－３０ｃｍ之间断裂所占　效果较差，杆柱载荷大，严重影响了杆管的正常使用寿命。　比例较大，有１２ｏ－￣次，其它部位断裂３Ｏ井次。　（２）工作制度不合理，造成杆管疲劳断脱。杆管的应力大小，直接受到冲程、　２杆管断脱原因及机璃分析　冲次、泵径、泵深的影响。　２．１杆管脱扣主要原因　３杆管治理配套技术研究与应用　２．１．１工作环境差影响作业质量　３．１清防蜡配套技术　一．　ｘｘ油田位于寒冷地区，气候复杂多变，冬季作业由于丝扣粘附物结冰，导　２０１４年对某矿采用的清防蜡工艺的适应性进行了评价，并依据各断块油井　致作业质量变差。由于大庆地区风沙天气较多，作业时丝扣中吹进的砂子会造　的生产特点，优选合理的清防蜡工艺。同时健全工作制度，规范工作程序，实现　成上扣时偏扣或上不满　施工作业队伍在恶劣的环境下施工，不遵守操作规程，　信息化管理，使清防蜡工作取得了较好效果，为减缓杆管断脱创造了必要的条　给杆管脱扣留下隐患。　件。　２．１．２抽油机井工况不佳　３　２优化工作参数　某矿有许多井存在油井供液不足的问题，杆管长期在液击状态下工作，产　针对工作制度不合理问题，２０１４年实施了参数优化调整工作，某矿本着长　生严重震动，造成杆管松扣。直至脱扣。２０１２－２０１５年，通过对２１口脱扣井的功　冲程、低冲次的原则，对杆管容易偏磨的井调参９２井次，对于供液能力较强的油　图分析，发现有１５口井的功图反映供液明显不足，甚至存在液击现象。　井．配套长冲程抽油机，共实施１３口井。　２．１．３杆管质量不合格　３　３杆管更换治理　杆管出厂后如果丝扣总长、丝扣距、齿高、锥度等参数不符合ＡＰＩ标准，都　２００７年以来对ｌ８９口井进行了全井杆管更换。增大了更换杆管的力度。　会在可使用期限内发生脱扣。通过现场调研，杆管质量差是造成新下井杆、管脱　４结论与建议　扣的主要原因。　（１）某矿抽油机井杆管断脱以断裂为主。造成杆管断脱的主要原因是由于抽　２．２杆管断裂原因及机理分析　油机井工况差、清防蜡技术不配套、偏磨等导致杆管正常生产周期缩短，杆管超　２．２．１杆管超期服役现象严重　期服役引起杆管疲劳断脱。　抽油杆在许用应力条件下，累计冲次范围为（３～５）×１０７次，杆的使用安全　（２）应多采用全井扶正、下油管锚等新技术措施，减少杆管的老化，从而减小　系数为１．５，某矿２００７年抽油机井平均冲次为６．８０：／ｍｉｒａ，由此计算，在理想工　断脱几率。　况条件下，杆的使用极限为５．１～８．６年。根据实践经验，抽油杆工作寿命一般为　（３）应通过杆管无损检测，逐步淘汰应力不达标、处于报废临界状态的杆管，　４．５年，而截至２００７年ｌ２月，某矿抽油杆累计使用５年以上的油井３７８口，８年以上　同时应加强抽油机井综合管理，完善抽油机井杆、管柱设计技术，优化抽油机井　的油井１７９口。　工作参数。对于杆管腐蚀严重的区块，推广应用防腐杆管，延长其工作寿命。　某矿普遍使用普通油管，根据疲劳强度公式：　（４）建立抽油机井杆管资料台帐，完善监控手段，实现跟踪管理。同时杆管设　口一ｌ＝（Ｏ．４９士０．１３）ａ　ｂ　计技术引进折旧系数概念，抽油机选型技术引进修正系数概念，能够确保杆管　式中。ａ一１一油管钢材的抗疲劳强度，ＭＰａ；　使用应力与抽油机配套。　ｏ　ｂ一油管钢材的抗拉强度，ＭＰａ。　（５）对重点区块要进一步搞好杆管优化设计与现场实施工作．加强杆管管　取平式油管丝扣处钢体最小截面积计算，考虑安全系数为１．５、冲次７次／　理，完善杆管修复工艺，推广应用无损检测技术。　ａｒｉｎ、承受１００ｋＮ的交变载荷作用，处于理想工作状态时使用年限为７年左右，油　（６）要继续进行抽油机井超期服役杆管的更换工作，进一步完善配套清防蜡　管使用７年以上的油井在２００口以上。　工艺技术，提高油田整体开发水平。　２．２．２抽油机井工况恶劣，技术配套不完善　双层分类结合了ＳＶＭ和神经网络的优点，反复利用多种识别特征来提高识别　的候梯人数视觉检测系统［Ｊ］．光学精密工程２０１３（４）　准确率。利用Ｂ０Ｗ模型使图像信息碎片化，去除处理整张图像时遇到的问题。　［３］Ｄｅｎｇｓｈｅｎｇ　Ｚｈａｎｇ　ｎ，Ｍｄ．ＭｏｎｉｒｕｌＩｓｌａｍ，ＧｕｏｊｕｎＬｕ．Ａ　ｒｅｖｉｅｗ　ｏｎ　另对提取出来的图像特征进行整合使得其更好的通过分类机的处理，使得多种　ａｕｔｏｍａｔｉｃ　ａｎｎｏｔａｔｉｏｎ　ｔｅｃｈｎｉｑｕｅＳ．Ｐａｔｔｅｍ　Ｒｅｃｏｇｎｉｔｉｏｎ４５（２０１２）３４６　３６２　特征可以同时表征一个对象，使得对象的分类与识别更加准确。由于采取了神　［４］Ｖａｐｎｉｋ　Ｖ．ＬＥＲＮＥＲ　Ａ．Ｐａｔｔｅｒｎ　ｒｅｃｏｇｎｉｔｉｏｎ　ｕｓｉｎｇ　ｇｅｎｅｒａｌｉｚｅｄ　经网络算法使得此算法有成长增益性。　ｐｏｒｔｒａｉｔ　１９６３（０６）　本文提出了基于Ｎ—ｃｕｔＮＲＣ显著性算法实现了图像分割和对象提取，利　［５】Ｒｅｍｅｌｈａｒｔ．Ｄ．Ｅ，ｅｔ　ａ１．Ｌｅａｒｎｉｎｇ　ｉｍｅｍａｌ　ｒｅｐｒｅｓｅｎｔａｔｉｏｎｓ　ｂｙ　ｂａｃｋ－　用ＢｏＷ模型以及ＨＳＶＨ，Ｇａｂｏｒ纹理和改进的ＳＩＦＴ￣述子构造了对象表示模　ｐｒｏｐａｇａｔｉｏｎ　ｅｒｒｏｒｓ［Ｊ］．Ｎａｔｕｒｅ，１９８６：５３３　５３６　型，并利用ＳＶＭ和神经网络构造了双层分类器，最终实现了网络图像的对象识　［６李敏生，６］刘斌．ＢＰ学习算法的改进与应用．北京理工大学学报．１９９８，　别。本文改进了传统的Ｓ口玎描述子，提出了一种适用于Ｂｄｗ模型的多尺度ＤＦ—　１９（６）：７２１　７２４　ｓＩＦ１描述子，该方法能够充分地利用图像空间信息，更加准确地表示对象的内　【７】杨治明，王晓蓉．ＢＰ神经网络在图像分割中的应用［Ｊ］．计算机科学，　容。实验证明，本文提出的基于多分类器的分层对象识别算法，具有较高的分类　２００７，３４（３）：２３４￣２３６　准确率，能够较好地实现图像中对象的识别和标注。　作者简介　参考文献　吴佳莹，女，河南省商丘市，１９９３－４－２７，学历本科，单位：华东理工大学，　作者．篇（题）名．刊名，年，卷（期）：页码　职称学生。　［１１谢红梅．连宇．彭进业．基于Ｎｃｕｔ分割和ＳＶＭ分类器的医学图像分类　严睿红，男，河南省信阳市，１９９５－４－２３，本科，华东理工大学，学生。　算法［Ｊ卜数据采集与处理２００９（６）　刘邺超，男，吉林省白山市，１９９４－７－７，本科，华东理工大学，学生。　［２】张宇洋．刘满华．韩韬．基于Ｍｅａｎ　Ｓｈｉｆｔ图像分割和支持向量机判决　李博文，男，河北省邢台市，１９９４－７—１２，本科，华东理工大学，学生。　４４　ｌ科技博览