风机桨叶故障诊断（三）识别桨叶—

风机桨叶故障诊断（三）

识别桨叶——初步构建BP神经网络

新的一天，希望有好的运气。今天开始着手系统的第一个模块，从一幅图像中寻找到桨叶所在的位置。第一直觉我们的识别任务属于难度比较大，干扰因素多的了，所以我没有考虑先试一下Logistic回归之类的相对简单的算法，我准备先简单抽选一些样本，直接用BP神经网络模型快速实现一下，然后再观察我们的算法问题所在，逐步进行完善，包括修改模型，增加样本数量等等。说干就干！

之前我们已经得到了可以用来提取样本的风机图像库，我手动的从里面截取了一些样本，数了一下，正样本49个，负样本28个。然后将这些大小不一的正负样本统一缩放成20×20像素的小图像，下图所示的就是正样本最后处理完的结果：

准备工作结束后，开始动手编写一个最简单的三层BP神经网络了。

我们的输入是我们归一化后的20×20的图像，所以输入层的神经元个数为400。隐含层的神经元个数我最初选取的是25，输出层我选择的节点个数为2。用[1 0]代表正样本的期望输出，[0 1]代表负样本的期望输出。

具体实现我是参考的coursera上吴恩达老师的机器学习课程上的代码,那个神经网络的示例代码是用来训练手写体数字识别的，是个多分类问题。由于我是在那份代码上简单修改来的，所以这也是为什么我的输出层有两个神经元而不是一个的原因，我把问题看成了一个多分类问题。

经过了一上午的coding后，成功运行了。由于每次训练的结果都会不同，我多次运行并观察，训练样本的预测准确率在90%以上，测试集上的预测准确率在80%左右。看起来初步的结果还可以，不过我只有17个测试样本，再加上都是我手动选取的，有一定的主观因素，80%的准确率水分还是很大的。我们的初步实现的目的就是发现我们这个识别任务的难点，问题所在，只停留在得到一个准确率的数字是不行的，所以我意识到应该想办法要做一些误差分析。

让我们来看一下我们的算法都有哪些问题，到底将测试样本中的哪些类型的图像预测错误了，也就是算法在哪类物体上表现不好。于是我着手写了下面的函数，需要提供测试样本集矩阵（每一行=一个20×20图像展开后形成的向量），以及表示每个样本是否被预测正确（用0和1表示）的数组，再提供一个可视化时每个样本图像边长显示多少的参数，matlab代码如下：

function [ h, display_array ] = DisplayErrorTestExample( X, example_width,errorIndex )
%显示所有测试集并标记出有错误的测试集
%errorIndex标识测试集每个样本的预测是否有误，有误用1，正确用0表示% Set example_width automatically if not passed in
if ~exist('example_width', 'var') || isempty(example_width) example_width = round(sqrt(size(X, 2)));
end% Gray Image
colormap(gray);% Compute rows, cols
[m n] = size(X);
example_height = (n / example_width);% Compute number of items to display
display_rows = floor(sqrt(m));
display_cols = ceil(m / display_rows);% Between images padding
pad = 1;% Setup blank display
display_array = ones(pad + display_rows * (example_height + pad), ...pad + display_cols * (example_width + pad));% Copy each example into a patch on the display array
curr_ex = 1;
for j = 1:display_rowsfor i = 1:display_colsif curr_ex > m, break; end% Copy the patch% Get the max value of the patchmax_val = max(abs(X(curr_ex, :)));display_array(pad + (j - 1) * (example_height + pad) + (1:example_height), ...pad + (i - 1) * (example_width + pad) + (1:example_width)) = ...reshape(X(curr_ex, :), example_height, example_width) / max_val;%如果是错误的测试样本，标红框if errorIndex(curr_ex)==1display_array(pad + (j - 1) * (example_height + pad) , pad + (i - 1) * (example_width + pad) + (0:example_width+1))=zeros(1,example_width+2);display_array(pad + j  * (example_height + pad) , pad + (i - 1) * (example_width + pad) + (0:example_width+1))=zeros(1,example_width+2);display_array(pad + (j - 1) * (example_height + pad) + (0:example_height+1), pad + (i - 1) * (example_width + pad) ) = zeros(example_height+2,1);display_array(pad + (j - 1) * (example_height + pad) + (0:example_height+1), pad + i * (example_width + pad) ) = zeros(example_height+2,1);endcurr_ex = curr_ex + 1;endif curr_ex > m, break; end
end% Display Image
h = imagesc(display_array, [-1 1]);% Do not show axis
axis image offdrawnow;end

将上面的方法添加到写好的代码中，重新运行，其中两次的结果如下（图像显示的是仅有的17个测试样本，被黑框圈起的是预测错误的样本）：

可以看到，算法在负样本的预测中错误较多，我感觉这一方面与本身负样本就较少，一方面与负样本间差异很大，造成算法学习起来困难。我们重新思考下我们的系统，我们第一步是要从图像中识别出桨叶，如果识别错了，就会将不是桨叶的物体认为成桨叶进行下一步的故障诊断，那结果将是不能接受的。相反，如果我们对于一幅风机图像中的三个桨叶没有完全识别出来，却是无关紧要的，因为我们能在视频短时间的几帧之内获取到数张同一风机的图片，对于同一桨叶的识别我们有很多次的机会，所以我们算法对于正样本的漏识率可以相对较高，因为最终的识别率还是很高。

所以可以看出，对于负样本的错误预测，也就是假阳性的概率，是必须要降低的。先从算法入手，或许我们可以通过修改神经网络输出时的判断阈值，也就是只有极有把握输入为正样本时，才判为正样本，否则均判为负样本。这样做也就是人为选择牺牲了识别率，降低了误识率。一切想法的好坏以实际说话，马上修改代码重新运行，其中两次结果如下：