首页 > 论文范文 > 医药卫生论文 > 影像检验论文 > 影像研究论文 > 多特征加权融合的放射影像设备故障诊断识别研究

多特征加权融合的放射影像设备故障诊断识别研究

2025-08-15 33 上传者：管理员

摘要：放射影像设备故障时，故障信号存在噪声，识别故障类型时存在过拟合风险，基于此提出多特征加权融合的放射影像设备故障诊断识别方法。通过基于图像的纹理特征提取方法，利用改进的OD-LBP算法有效捕获放射影像设备图像纹理特征；同时运用时频域解析方法提取放射影像设备的故障信号的时域、频域特征；采用自适应的多尺度特征加权融合策略，充分利用纹理、时域、频域特征间的互补性，多特征加权融合处理提取到的特征，以此降低噪声干扰，避免过拟合风险。实验结果表明，该方法在kappa值上取得了最高得分，达到了0.9375，证明所提方法能够准确提取故障信号，识别放射影像设备的故障类型，提高诊断的准确性和模型的鲁棒性。

关键词：
OD-LBP
加权融合
多特征提取
放射影像设备
故障诊断
时域分析
频域分析
加入收藏

放射影像设备在临床医学诊断中扮演着至关重要的角色[1]。然而，设备在运行过程中难免会出现各种故障，这会影响诊断准确性[2]。文献[3]就如何准确识别放射影像设备的故障做出了研究。文献[4]引入GP惩罚因子来提高生成样本的质量。文献[5]采用GcForest算法对模型进行训练并识别设备的故障类型。文献[6]通过融合并筛选多模态特征并训练LSTM模型，实现故障的智能诊断。文献[7]利用多层卷积块从原始振动数据中提取关键特征识别故障。

该文提出基于多特征加权融合技术的放射影像设备故障诊断识别方法，采用自适应的多尺度特征加权融合策略，加权融合处理提取特征，降低噪声干扰，避免过拟合风险，旨在提高放射影像设备故障诊断识别的准确性和鲁棒性，为医疗诊断提供强有力的支撑。

1、基于图像的纹理特征

提取放射影像设备故障诊断识别中，图像存在纹理特征，纹理特征往往包含重要的诊断信息。LBP算子因其对图像中的灰度级波动的低敏感特性，能够有效地提取图像中的纹理特征[8]。这种特征提取方法能够捕捉到放射影像中细微的纹理变化，为故障诊断提供有力的支持。

1）假定图像中有一个特定的像素点，其位置标记为(xc,yc)，其像素强度记作Gc。为了分析该像素点，构建一个3×3的局部邻域窗口，如图1所示。根据正交性原理，对窗口中位置标记为(xi,yi)的邻域像素点进行分类。

图1邻域像素的正交分类群图

2）传统局部描述子仅对比邻域与中心像素值，可能丢失边缘等特殊特征。OD-LBP改进此点，将邻域像素与其最近两邻域及中心像素的差值都纳入考量，以减少信息丢失。

3）将每个正交群中的3个像素差值与各自设定的阈值进行比较，从而生成二值化的结果，突出像素间差异的关键特征。M=∑i=02xivar([x0x1x2])（1）式中，M代表用于比较的阈值；xi(0≤i≤2)代表正交值中各个像素点之间的差值，并且通过var()函数描述这些差值的离散程度。

4）为了生成像素点的OD-LBP特征值，首先在不同方向（即正交群中的方向）上比较像素点与其邻居之间的灰度值差异，并将这些差异转化为二进制编码。

然后，将每个姿态下的多个正交方向上的二进制正交值串联起来，形成一个24位的正交比特流，按照每8位的长度对这个比特流进行截取，并将每个8位片段转换为十进制数值，从而得到一组能够反映图像局部纹理和姿态信息的特征值。

在医学放射影像中，不同的组织具有不同的纹理特征。纹理存在不规则变化，如纹理变得粗糙、不均匀等。通过提取纹理特征，可以帮助区分正常组织和病变组织，从而辅助疾病的诊断。

2、基于信号的时频特征

提取在放射影像设备故障诊断中，不同设备或同一设备在不同状态下产生的信号可能存在差异。通过时域和频域特征提取，可以捕捉到这些差异中的关键信息[9]。

2.1时域特征分析

放射影像设备生成的图像信号为一组二维像素矩阵，对于特定区域的图像数据，提取图像信号的时域性相关特征进行分析[10]。定义这些特定区域图像信号的时域特征量集Ftd为：Ftd=[ρ1,ρ2,ρ3,ρ4,ρ5,ρ6,ρ7]（2）式中，ρ1、ρ2、ρ3、ρ4、ρ5、ρ6、ρ7为图像信号的时域特征因子。

在放射影像设备故障诊断中，时域特征反映了信号随时间的变化特性，对于检测设备故障引起的信号异常非常有用。

2.2频域特征分析

对于图像信号的处理，采用离散傅里叶变换来获取其频谱Sk和功率谱Pk。其中fk表示每个具体的频率值[11]。为了深入分析图像在频域的特性，从频域谱中提取出一系列特征向量，以反映图像在频域中的不同属性和结构。

频域特征在放射影像设备故障诊断中，可以揭示一些在时域中不易发现的故障特征，因为不同的设备故障可能会对信号的频率成分产生特定的影响。

3、基于自适应的多尺度特征

加权融合在图像和信号处理中，提取了丰富的图像特征和信号特征后，基于自适应的多尺度特征加权融合变得尤为必要，因为它能够根据不同尺度和特征的重要性动态调整权重，从而优化信息融合效果，提升放射影像设备故障诊断识别的性能[12]。

由于图像和信号统计特征数量和类型的差异化，为了避免较小的数值融合后丢失，首先对特征值集{tmn}采用最大最小归一化处理：zmn,i=tmn,i-min{tmn}max{tmn}-min{tmn}（3）式中，tmn表示图像纹理特征Fod-lbp、信号的时域特征Ftd和频域特征Ffd的数据集，max{tmn}、min{tmn}分别为tmn中的最大、最小值。

计算各特征的方差，方差小的特征对于识别特定的模式或故障状态更加敏感[13]。σ2n,m=1n+1∑i=1n+1(zmn,i-zˉmn)2（4）式中，zˉmn为第m个特征序列的平均值，计算如下：zˉmn=1n+1∑i=1n+1zmn,i（5）基于各维特征的方差变化，采用权重计算策略，以实现自适应的特征加权融合，得到融合后的特征向量集：tn=∑m=1Mwmnzmn,i（6）当融合所有特征时，可以全面地捕捉到故障的迹象，深入分析这些特征之间的关联，从而准确找到故障的根源。

4、基于LS-SVM的放射影像设备故障诊断识别

4.1多分类LS-SVM算法

在面对复杂多变的故障模式下，为了进一步提升故障诊断的效率和准确性，引入一种更为强大和先进的诊断技术——基于最小二乘支持向量机（LSSVM）的放射影像设备多尺度故障诊断[14]。该技术将自适应融合多种类型的特征tn（包括纹理特征、时域特征和频域特征）作为输入，以产生更强大、更全面的特征表示，进而利用LS-SVM的强大学习能力进行多尺度的故障识别与诊断。假定{(x1,y1),(x2,y2),…,(xl,yl)}为样本个数为l的训练集，样本xi(i=1,2,…,l)对应的类别yi∈{-1,1}，则存在最优分裂超平面满足如下条件：■■■ωTxi+β≥1,yi=1ωTxi+β≤-1,yi=-1（7）其中，ω代表超平面的法线矢量；β代表超平面与原点之间的偏移量。分类决策函数可表示为：f(xi)=sgn(ωTxi+β)（8）LS-SVM多分类模型是通过构建并求解一个特定的优化函数ϕmin(ω,ei)来执行分类任务，该函数旨在找到一个最优的超平面，以在特征空间中有效地分隔不同类别的数据。ϕmin(ω,ei)=12||ω||2+12C∑i=1le2i（9）其中，C是一个正则化参数，用于调整模型对训练数据拟合的严格程度；ei则代表了误差变量，用于衡量样本点到分类超平面的偏离程度。为了在处理分类任务时允许一定的容错性，需要在最小化分类错误和最大化分类间隔之间寻求一个平衡[15]。式（9）需要满足如下等式约束：yi(ωTφ(xi)+β)=1-ei（10）其中，基于非线性的映射函数φ(xi)，可将原始数据集从输入域有效地映射到更高维度的特征域。最小二乘支持向量机的分类决策函数为：f(x)=sgn(∑i=1lαiyiK(x,xi)+β)1n（11）模型训练完毕后，比对其与模型内已学习的故障特征向量来识别设备是否存在故障，并根据分类器的输出结果得到设备具体的故障类型。

4.2放射影像设备故障诊断识别

模型构建在构建高效且准确的放射影像设备故障诊断模型的过程中，关键在于结合现代图像处理技术和先进的机器学习算法，以确保能够及时、准确地检测出设备故障并采取相应的维修措施[16]。图2展示了放射影像设备故障诊断识别模型构建的关键步骤，从图像、信号采集预处理到特征提取，再到最终的故障识别，每一步都紧密相连，共同构成了一个完整的诊断架构。

图2故障诊断识别模型

5、实验分析

5.1实验测试过程存Linux系统中，利用Python软件进行仿真测试，从某医疗机构的设备维修中心处获取放射影像设备在正常运行和不同故障状态下的影像数据。

1）收集与设备运行状态相关的其他数据，固定图像采集接口，用于将设备输出的图像数据转换为数字信号并传输到计算机。如设备运行日志（记录设备的操作参数、运行时间等）、设备维护记录（维修时间、维修内容等），实现采集不同状态下的放射影像设备图像。

2）固定放射影像设备图像的像素强度为255，提取图像的纹理特征；

3）对放射影像设备的故障信号进行时频域解析，设置ρ1=255、ρ2=0、ρ5=1.2、ρ6=2，提取放射影像设备图像的时域特征和频域特征；

4）分析提取的纹理特征、时域特征和频域特征，设置权重因子wmn=0.6，进行多尺度特征加权融合处理。

5.2性能测试与分析

卡方距离是一种常用于衡量两个非负数组或直方图之间相似性的统计方法。在特征比较中，卡方距离计算两个非负数组（如直方图）之间的统计差异。对于两个直方图或数组A和B，卡方距离的计算公式通常如下：χ2(A,B)=∑i=1l(Ai-Bi)2(Ai+Bi)2（12）式中，Ai和Bi分别表示直方图A和B的第i个bin的值。Outex数据集是一个专门用于纹理分析算法实证评估的框架，它包含了多种纹理图像数据，涵盖了从简单到复杂的各种纹理模式。实验选取了TC10、TC11和TC13三个数据集，它们分别包含36个类别，每个类别包含不同数量的图像用于训练和检测。

为了验证OD-LBP在纹理特征提取中的有效性，在Outex数据集上，结合该文OD-LBP算法及传统的LBP算法分别进行实验，针对数据集中的每一幅图像，将其提取出的特征类别与预先设定的准确特征类别标签进行详细对照，统计出匹配成功的比例，从而得出该数据集上纹理特征提取的准确率，实验结果如表1所示。从表1的实验数据可以看出，在TC10、TC11和TC13数据集上，OD-LBP算法的卡方距离均小于LBP算法，这表明OD-LBP提取的特征向量与真实标签之间的差异更小，即OD-LBP能够更准确地捕获图像中的纹理信息。与传统的LBP算法相比，该文方法使用的OD-LBP不仅考虑了像素之间的灰度差异，还考虑了这种差异的方向性，在处理具有复杂纹理结构的放射影像时，OD-LBP能够更全面地描述图像的纹理特征。表1LBP和OD-LBP算法纹理特征提取性能对比

为了进一步验证不同特征提取方法对故障识别准确率的影响，使用kappa值作为该实验的评估指标，旨在通过消融实验的方式，分析图像特征提取、时域特征提取和频域特征提取在故障识别中的贡献。实验选用OutexTC13纹理数据集，包含36个类别的纹理图像，每个类别220幅图像，共计7920幅图像。在评估过程中，随机选择2376幅图像作为独立的测试集，剩余的图像则构成了训练集。基于信号时频特征的提取，选取CWRU故障数据集，包含正常、不平衡故障、松动故障、电机故障等状态。在多种状态下的样本中，包括了不同故障严重程度的总计约2000个样本。为了评估方法的性能，随机从这2000个样本中选取了600个作为测试集，而剩余的1400个样本则作为训练集，用于模型的训练和优化。故障分类与模型训练方面，实验选用支持向量机（SVM）作为核心分类器，分别将提取的纹理特征、时域特征、频域特征输入到向量机中进行模型训练。

为了验证该文提出的基于多特征加权融合的放射影像设备故障诊断识别方法在故障识别准确性方面的有效性，将其与文献[4-7]的四个现有方法进行对比。经过一系列对比实验，深入分析了不同方法在统一数据集上展现出的性能差异和优劣表现，以进一步验证该文方法在放射影像设备故障诊断领域的先进性和实用性。实验结果如表2所示。从表2中可以看出，该文方法在kappa值上取得了最高的得分，达到了0.9375，这明显高于其他四个对比方法。除了故障识别准确性外，还对比了不同方法在每轮迭代时间、GPU利用率和内存占用率方面的表现。该文方法在每轮迭代时间上仅为13ms，远低于其他四个对比方法，这表明该文方法在训练过程中的计算效率更高，能够更快地收敛到最优解。同时，该文方法的GPU利用率和内存占用率也相对较低，分别为13.50%和14.10%。可见该文方法在故障诊断识别的准确性方面有极大的有效性，并且计算效率更高，可更快地收敛到最优解，同时在资源利用率上也有较大优势。

表2不同故障诊断方法的性能分析

为进一步分析该文方法的有效性，选取F1-score作为判断指标，F1-score综合考虑了召回率和精确率，是一个平衡的准确性指标。在放射影像设备故障诊断中，当需要同时兼顾故障的检测能力（召回率）和诊断的可靠性（精确率）时，F1-score是一个较好的衡量标准，F1-score可以帮助评估系统整体的诊断性能，避免单纯追求召回率或精确率而导致的性能失衡。所以选取其作为实验指标测试系统的准确性和可靠性，具体实验结果如表3所示。

表3不同故障诊断方法的F1-score指标

F1-score的取值在0到1之间，F1-score越高，表示模型在精确率和召回率之间的平衡越好。当精确率和召回率都较高时，F1-score接近1；当精确率或召回率较低时，F1-score会相应降低。因此，根据表3可知，基于以上实验，对比其他方法，该文方法系统整体的诊断性能最好，因此，该文方法可以有效诊断出设备故障，有效降低了患者误诊的概率。

6、结论

该研究基于当前放射影像设备在医疗诊断中的核心作用以及其在运行过程中可能出现的故障问题，提出了基于多特征加权融合的故障诊断方法。采用自适应的多尺度特征加权融合策略，充分利用纹理、时域、频域特征间的互补性，多特征加权融合处理提取到的特征，以此降低噪声干扰，避免过拟合风险。构建基于多分类LS-SVM的放射影像设备故障诊断模型，更准确地捕获图像中的纹理信息，有效提高了纹理特征提取的准确率，该文方法不仅故障识别准确率高，而且在实际应用中具有更好的计算效率和资源利用率。

然而，尽管该文方法在实验室条件下的性能卓越，但当将其应用于真实的临床环境时，仍需要考虑各种复杂的操作条件和环境变量。

参考文献:

[1]黄霄.基于注意力机制的轻量级网络的COVID--19医学影像分类方法研究[D].长沙:长沙理工大学,2022.

[2]曹东.基于深度学习算法的机械设备自动化关键测试影像结果识别研究[J].自动化应用,2022(5):17-19.

[3]魏伟,赵小强,丁艳华,等.基于BiLSTM和改进注意力机制的高铁车载设备故障诊断[J].铁道学报,2022,44(11):53-62.

[4]谢菲,高树辉.基于量化数据特征统计的深伪图像检测研究[J].计算机科学,2023,50(S2):916-924.

文章来源:魏方圆,王超,刘国铮.多特征加权融合的放射影像设备故障诊断识别研究[J].电子设计工程,2025,33(16):138-142+148.