基于多尺度形态滤波和递归求差的冲击特征自适应分离方法

针对故障诊断中的耦合冲击特征提取和分离难题,提出了一种基于多尺度形态滤波(multiscale morphological filtering, MMF)和递归求差的冲击特征自适应提取与分离方法。首先,利用能量幅值(energy amplitude, EA)指标和频响特性分析,从典型组合算子中筛选出适合冲击特征分离的组合形态滤波-帽变换(combination morphological filter-hat transform, CMFH)算子;其次,利用CMFH形态学算子和加权谐噪比(weighted harmonic to noise ratio, WHNR)指标实现周期性冲击特征提取;然后,利用求差增强技术(strengthen operate subtract operate, SOSO)抑制谐波干扰和白噪声,进一步增强周期性冲击特征;最后,通过迭代求差思想构造循环滤波器,对周期性冲击特征进行多尺度提取与分离。仿真数据和牵引电机轴承故障数据分析结果表明,该方法在随机冲击、谐波干扰下的周期性冲击提取能力优于最大二阶循环平稳盲解卷积(maximum second order cyclostationary blind deconvolution, CYCBD)方法和经典谱峭度方法。

融合加窗和自适应加权引导滤波改进的Canny算法

针对Canny算法滤波过程中图像细节部分缺失和无法有效去除噪声,并且无法动态识别图像边缘的问题,提出一种融合加窗和自适应加权引导滤波的Canny算法。该算法对Canny算法做出两点改进:一是使用加窗滤波器对图像进行处理,有效滤除噪声,然后对图像进行数学形态学滤波处理,有效增强图像边缘;二是引入分段权值模型对引导滤波算法的正则化参数自适应修正,使其能够根据梯度信息区分边缘和非边缘,从而达到动态识别图像边缘的效果。相比传统Canny算法,改进算法处理后的信噪比提高了1.05~5.22 dB,品质因数提高了0.16~0.35。实验结果表明:改进算法能有效滤除椒盐噪声,识别出比较清晰和完整的边缘。

多尺度多元素形态滤波自适应降噪研究

针对基本的数学形态滤波器存在的问题,提出了一种多尺度多元素形态滤波自适应降噪方法,首先利用不同尺度不同元素的基本形态滤波器对信号进行处理,得出各个误差。根据计算误差,设定权重系数级联基本的形态滤波器,对信号进行自适应降噪。针对正弦信号中复杂噪声干扰的特点,在信号中加入各种噪声,利用提出的方法对信号进行处理,并与多尺度滤波器进行了比较,证明了改进方法的有效性。通过将多尺度多元素形态滤波器应用于旋转检测地磁定向信号中分析与运算,有效降低了正弦信号中的噪声,提高了地磁定向精度,验证该方法降噪的有效性。

基于迭代自适应多尺度形态滤波的滚动轴承故障诊断

针对工业现场强噪声背景下振动信号特征信息提取困难和单尺度形态滤波时尺度选择的盲目性和随意性的问题,基于自适应多尺度形态分析(AMMA)的思想提出了一种迭代自适应多尺度形态分析(IAMMA)的滤波方法。该方法对振动信号进行多尺度形态差值迭代运算,每次采用的结构元素尺度逐渐增大,然后求多次滤波结果的平均值,达到滤除噪声成分的目的。对仿真信号和滚动轴承故障信号进行分析,结果表明,IAMMA较AMMA能够选取更为合适的结构元素尺度,提取更多的故障特征信息,滤波效果更佳,与Hilbert包络解调方法相比处理过程更加简捷,从而为轴承的故障诊断提供了一种有效的方法。

多尺度自适应加权形态边缘检测方法

针对常用的多尺度边缘检测方法因卷积运算造成模糊图像边缘 ,提出一种多尺度自适应加权形态边缘检测方法 ,利用大小不同的结构元素提取图像边缘特征 ,在大尺度下抑制噪声 ,可靠地识别边缘 ,在小尺度下定位 ,再由粗到细跟踪边缘 ,得到边缘的位置 ,再由各尺度结构元的抗噪性确定加权值的大小 ,然后加权处理得到最后的边缘结果 .实验表明 ,用多尺度自适应加权形态边缘检测算法可得到较理想的图像边缘 .

基于多尺度加权形态网络的燃气流量计健康状态评估

燃气流量计是天然气贸易计量的重要仪器,而其健康状态的改变会造成计量偏差。为了减少燃气企业的经济损失,本文提出了一种基于多模态数据扩充、形态学特征学习和多尺度自适应加权形态学网络的燃气流量计健康状态评估方法。首先,采用基于Wasserstein距离和谱归一化的ACGAN算法进行数据扩充。其次,针对燃气流量计振动信号数据的复杂性和噪声影响,提出了一种基于平均帽变换的形态学方法提取信号的正负脉冲信息。最后,针对非平稳、变工况的工业条件,引入多尺度自适应加权形态学网络,采用具有不同结构元素尺度的多个分量来分别提取脉冲信息,并利用自适应加权融合来增强提供强脉冲分量的尺度。通过实验结果表明,所提出的方法对燃气流量计健康状态评估的准确度超过94%。该方法对实际燃气贸易计量有重要的应用价值。

自适应多尺度形态差值滤波及其在液压泵故障诊断中的应用

针对工业现场的实测液压泵故障信号易受强背景噪声污染的问题,利用一种自适应多尺度形态差值滤波(Adaptive Multi-scale Morphological Difference Filter,AMMDF)的方法。该方法把信号故障特征频率处的能量和低频段总能量的比值作为评价各个尺度滤波效果的指标,并以此作为权值来对经过各个尺度形态变换后的信号根据滤波效果进行加权融合,从而实现自适应滤波。通过对仿真信号和液压泵实测故障振动信号的实验验证,表明AMMDF较单尺度的形态闭算子有更好的滤波能力,它既具有信号细节保留能力又有较强的抑噪能力,为液压泵故障诊断提供了一种有效的工具。

基于自适应多尺度形态学和CEEMD的谐振接地故障选线研究

为解决小电流谐振接地系统的故障选线不准确的问题,提出了一种基于自适应多尺度形态滤波和互补集合经验模态分解(CEEMD)相结合的选线方法。利用自适应形态学滤波方法可以有效地抑制电力系统故障过程伴随的宽带白噪声和孤立脉冲噪声。去噪后通过比较故障线路与非故障线路经CEEMD分解和希尔伯特黄变换(HHT)的特征分量一阶差分极性与相位进行选线。与经验模态分解(EMD)和集成经验模态分解(EEMD)相比,CEEMD能够更好地减小模态混叠的影响,同时减小分解误差。在MATLAB仿真软件中,对不同故障位置、过渡电阻、故障初始角进行分析,对上述方法进行了验证。大量仿真表明,该方法不受初始故障角、故障位置及过渡电阻的影响。

适用于直流保护的数学形态学降噪与噪声干扰识别方法

柔性直流输电系统是调节我国能源分布不均问题的重要手段,直流保护是保证柔直系统安全的重要技术。现有工程中多采用行波保护作为主保护,然而行波保护存在易受噪声影响、故障波头不易捕捉等问题,制约了其广泛应用。针对上述问题,提出数学形态学降噪与噪声干扰识别方法,并根据直流保护采样信号特点进行参数设计,用于直流保护采样信号降噪和噪声干扰的识别。首先,确定基于自适应多尺度形态滤波的直流信号降噪方法,并设计结构元素长度和形态学滤波器类型、自适应多尺度形态滤波器的滤波器阶数和步长。其次,确定基于形态学梯度变换的噪声干扰识别方法,并设计形态学梯度变换的阈值。接着,从不同角度对形态学降噪方法与现有典型信号处理方法的滤波效果进行对比分析。最后,对形态学降噪与噪声干扰识别方法和保护的配合效果进行验证。形态学降噪与噪声干扰识别方法所需采样频率较低,运算量适中,滤波效果好,对直流保护适用性好。

基于邻域局部最大均值与多尺度形态学滤波的弱小红外目标检测算法

根据弱小目标的成像特性,提出了基于邻域局部最大均值与多尺度形态学滤波的目标检测算法。通过滑动窗口判断图像中心是否为最大值,若是,则用中心点四邻域的两个方向的最大均值替代中心点;否则,计算其四邻域方向极大二值的梯度,根据加权系数计算赋给中心点。遍历整幅图像,用来消除噪声和改善初始图像的信噪比。然后,再对图像进行多尺度的形态学滤波,可以有效地估计背景并将背景从原始图像中移出。改进的自适应分割方法计算阈值之后,从候选点中来提取目标。对序列图像采取多帧关联处理,可以进一步降低虚警率。实验结果表明,该算法易于实现,能提高检出概率,较好并完整地检测出目标,且降低虚警率。

ITD和自适应广义形态滤波的特征提取方法

针对滚动轴承早期微弱故障特征难以从强噪声背景中分离的问题,提出了一种本征时间尺度分解(ITD)和自适应广义形态滤波的特征提取方法。将故障信号进行ITD分解成若干固有旋转(PR)分量;利用峭度准则选取若干PR分量进行重构,对重构后的信号通过自适应广义形态滤波进行降噪处理;对降噪后的信号进行Hilbert包络谱分析。通过对滚动轴承内外圈进行实验分析,验证了方法的有效性。

基于优化多尺度形态学的滚动轴承失效研究

针对普通多尺度形态学在滚动轴承微弱故障识别时的结构元素尺度优化问题,提出了自适应多尺度形态学的滚动轴承故障诊断方法。首先,以基本形态算子为基础,构建了具有双向脉冲特征提取能力的差分形态算子;为了在结构元素尺度范围定义出敏感于轴承故障的尺度,将以峭度作为其选取依据,并将得到最优尺度下的形态处理结果平均处理来重构故障信号,最终实现故障信号的综合分析和故障特征解调。通过对实际滚动轴承内、外圈故障振动信号的分析,结果表明:优化算法能够提取出强噪声背景下的滚动轴承微弱故障特征;且相比于普通多尺度形态学,该方法所提取的轴承故障特征频率幅值提升近1倍,适合处理弱信噪比的滚动轴承内、外圈故障识别。

基于数学形态学的自适应边缘检测新算法

考虑到在形态学中,不同形状的结构元素和不同尺度的元素在去噪声和保持图像细节方面的作用是不同的,提出了一种基于多结构多尺度自适应形态边缘检测算法。对一般边缘检测算子做了改进,增加了边缘细节信息。通过计算检测后的边缘信息熵,自适应确定权值系数。将多结构元素检测的边缘和多尺度元素检测的边缘做融合处理,得到最终的图像边缘。实验结果表明,与几种经典边缘检测算法相比,所提出的算法能有效地抑制图像的多种噪声对边缘检测的影响,较好地保持图像边缘细节,自适应提取完整连续边缘。

形态滤波方法在抵肩力信号降噪中的应用研究

针对抵肩力实验信号采集过程中引入的噪声污染问题,基于数学形态学理论,提出了一种自适应多尺度形态学降噪方法。该方法采用形态开闭-闭开运算提取含噪信号的正、负冲击成分,根据不同尺度形态运算后的噪声统计分布,对不同尺度下形态运算的结果进行加权平均去噪,解决了细节保持与噪声滤波之间的矛盾。仿真实验以高斯白噪声干扰下的blocks信号为研究对象,信噪比和均方根误差为评定降噪结果的标准,结果表明该方法与传统阈值降噪方法相比具有更好的降噪效果。抵肩力实验结果的应用表明,该方法能够在有效抑制信号噪声的同时较好地保留抵肩力信号特征细节,为抵肩力信号特征的提取提供了一种降噪方法。

基于数学形态学与小波阈值组合滤波算法的大地电磁噪声压制

针对实测大地电磁信号资料中常出现的强噪声干扰问题,提出一种基于数学形态滤波和小波阈值滤波结合的大地电磁噪声压制方法。首先,利用自适应多尺度形态滤波算法对含噪信号进行初次滤波,以消除脉冲类干扰。然后,对已处理的信号进行小波阈值滤波提取大尺度强噪声轮廓。最后,剔除强噪声干扰重构大地电磁信号。通过仿真实验对比,在不同强度噪声干扰背景下,所提方法的性能优于普通小波阈值方法,能更多地保留大地电磁原始信号的细节特征。实测资料处理结果表明,该方法能有效地抑制大尺度强噪声干扰和基线偏移的影响,改善视电阻率曲线质量,具有较好的应用前景。

一种基于形态提升的自适应轴承微冲击提取方法

在轴承早期故障中,冲击信号十分微弱,往往被背景噪声和低频谐波淹没,使得冲击信号提取有一定的难度。自适应多尺度形态滤波采用非线性滤波方法,通过不同尺度的结构元素,对冲击信号进行匹配并提取出来,但是由于微弱的冲击信号对结构元素尺度十分敏感,所以很难达到理想的提取效果。而利用形态梯度提升小波,首先将信号中的脉冲进行放大,降低低频信号和部分噪声的干扰,再对提升后的信号进行自适应多尺度形态滤波,这样就能显著地提取微弱的冲击信号,进而判定轴承发生的故障类型。仿真实验和轴承故障实例表明,该方法能有效提取背景噪声下的微弱冲击信号,是一种有效的微冲击提取方法。

自适应阈值图像二值化及形态学处理的FPGA实现

针对固定阈值法图像二值化不足以及二值化后图像存在严重干扰,传统DSP等处理器在高速图像处理中实时性差,提出了以FPGA/Nios II为处理器,运用改进的自适应阈值Sobel算法实现对图像的二值化,再进行形态学的处理。整个系统实现包括原始图像的采集、色彩格式转换、灰度处理、边缘检测以及运用中值滤波和加权平均法实现自适应阈值图像二值化,最后再运用形态学方法对二值化后图像做进一步处理,实现轮廓的更加有效的提取,并通过VGA接口实现显示。实验结果表明该系统检测效率高,速度快,稳定可靠。

红外偏振舰船目标自适应尺度局部对比度检测

针对海天场景复杂干扰情况下多尺度检测红外偏振图像中舰船目标困难的问题,本文提出一种基于引导滤波和自适应尺度局部对比度的舰船目标检测方法。首先将强度信息作为引导信息对红外偏振图像利用引导滤波,得到目标背景对比度、局部信噪比更高的融合图像;然后基于融合图像显著的海天线垂直梯度特征,提出一种检测海天线方法,再对融合图像进行海天线加权抑制海杂波干扰;最后基于单尺度局部对比度算法与舰船目标比例特征,提出自适应尺度局部对比度方法,当尺度与目标匹配时响应最大,通过不同尺度对目标的响应结果确定最大尺度,得到舰船目标检测结果。实验结果表明,引导滤波融合方法的提高图像的目标背景对比度和局部信杂比,与典型检测方法对比,本文方法能够有效抑制干扰并能够检测海天场景不同尺度舰船目标,具有较高的鲁棒性和准确性,检测率、虚警率分别为95.0%,3.5%,为红外偏振图像目标检测提供了新的方法。

基于MMSE的自适应灰度形态学钢轨边缘检测算法

钢轨边缘检测是铁路轨道异物入侵检测的关键技术,针对钢轨图像在采集过程中经常受到不同程度的噪声影响,以及传统边缘检测算法难以准确检测到钢轨边缘的问题,提出了一种基于MMSE (Multi-scale Multi-direction Structural Elements)的自适应灰度形态学钢轨边缘检测算法.首先根据轨道图像的噪声特点,使用多尺度结构元素的形态学滤波算法对轨道图像进行自适应滤波操作,实现钢轨边缘的增强和噪声的抑制;然后对滤波后的轨道图像使用多方向自适应灰度形态学边缘检测算子进行钢轨边缘检测.实验结果表明:该算法不仅有效滤除了采集图像中的噪声,而且能够较准确地检测到轨道图像中的钢轨边缘.

基于时间信息加权的ViSAR目标阴影跟踪算法

基于目标阴影的跟踪技术是视频合成孔径雷达(video synthetic aperture radar,ViSAR)目标探测的重要手段,但ViSAR数据存在目标特征不明显且随时间不规则变化、相干斑噪声干扰强等问题,使得ViSAR目标阴影跟踪精度较低。为此,提出了一种鲁棒的基于时间信息加权的ViSAR目标阴影跟踪算法。针对目标特征不明显且随时间不规则变化的问题,将尺度自适应均值偏移(adaptive scale mean shift,ASMS)跟踪算法引入到ViSAR目标阴影跟踪中,同时在ASMS算法的背景比例加权(background ratio weighted,BRW)技术中添加历史帧的特征,并对尺度正则项进行时间信息加权修正,来对目标特征进行整合。针对相干斑噪声干扰强的问题,对ASMS算法加入局部中值滤波操作的预处理步骤,在不增加计算量的同时平滑了噪声。在对两类ViSAR数据集上不同尺寸、不同运动状态的目标阴影的跟踪实验结果表明,与现有高性能跟踪算法相比,所提算法在保证了实时性的基础上提高了跟踪精度,且不需要额外的训练样本,具备较好的工程应用价值。