[發明專利]一種基于CNN的電纜隧道照明設備的異常識別方法

有效

• 申請號: 201810404956.6
• 申請日: 2018-04-28
• 公開（公告）號: CN108615057B
• 公開（公告）日: 2020-07-14
• 發明（設計）人: 黃順濤;黃培專;裴星宇;崔江靜;仇煒;曾嘯;周小藝;江霖;葉宇婷
• 申請（專利權）人: 廣東電網有限責任公司;廣東電網有限責任公司珠海供電局
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N3/04
• 代理公司: 廣州粵高專利商標代理有限公司 44102
• 代理人: 劉瑤云

1.一種基于CNN的電纜隧道照明設備的異常識別方法，其特征在于，包括以下步驟：

S1.通過隧道巡檢機器人攝像頭拍攝采集照明設備樣本圖像，獲得圖像集；

S2.遍歷步驟S1中所述圖像集中所有的樣本圖像，對每張樣本圖像用包圍框包圍完整的照明設備并進行標記處理為具有包圍框的照明設備樣本圖像，將包圍框內的像素點標記為照明設備類別，將包圍框外的像素點標記為背景類別，獲得第一訓練集；

S3.針對步驟S2中所述的具有包圍框的照明設備樣本圖像進行尺度縮放處理，將每張樣本圖像的包圍框的較長邊變換到預設目標尺寸，較短邊根據較長邊變換到預設目標尺寸的縮放尺度進行相同比例的縮放，獲得第二訓練集；

S4.采用COCO數據集輸入CNN模型進行預訓練并迭代預訓練得到預訓練后模型，將步驟S3中所述的第二訓練集輸入預訓練后模型進行針對訓練并迭代針對訓練得到隧道照明設備檢測模型；

S5.實時采集隧道照明設備的待測圖像，按照步驟S3中所述的縮放尺度進行縮放后輸入至步驟S4中所述的隧道照明設備檢測模型中，計算輸出置信度大于90％的分類結果作為待測圖像的識別結果。

2.根據權利要求1所述的基于CNN的電纜隧道照明設備的異常識別方法，其特征在于，步驟S1中所述照明設備為隧道內部應急指示燈照明設備的圖像，所述應急指示燈照明設備包括方形外殼以及兩組連接于方形外殼上的照明指示燈。

3.根據權利要求1所述的基于CNN的電纜隧道照明設備的異常識別方法，其特征在于，步驟S1中，攝像頭以照明設備為目標物，拍攝范圍為水平左偏差為15°～30°視角、水平右偏差為15°～30°視角之間的范圍以及俯視偏差為50°～70°視角、仰視偏差為50°～70°視角之間的范圍。

4.根據權利要求1所述的基于CNN的電纜隧道照明設備的異常識別方法，其特征在于，步驟S2中所述的包圍框為長方形框，完整的照明設備為包圍框內非目標物的區域面積占包圍框面積的比例小于15％的照明設備。

5.根據權利要求1所述的基于CNN的電纜隧道照明設備的異常識別方法，其特征在于，步驟S4中所述的CNN模型由輸入層、卷積層、池化層、全連接層和輸出層構建。

6.根據權利要求5所述的基于CNN的電纜隧道照明設備的異常識別方法，其特征在于，步驟S4中預訓練后模型的建立步驟如下:

S41.以照明設備樣本圖像為輸入層，在卷積層中核對樣本圖像卷積提取特征值；

S42.將卷積層中的特征值輸出作為輸入，輸入至池化層中進行最大池化運算，縮小卷積層的信息；

S43.經多層步驟S41中所述的卷積和多次步驟S42中的最大池化運算，將池化層的輸出作為輸入，對每個特征值采用不同的權重進行全連接層的運算，將圖像的二維信息轉換為一維信息；

S44.根據樣本圖像一維信息的值對樣本圖像進行分類，分類結果由輸出層輸出。

7.根據權利要求6所述的基于CNN的電纜隧道照明設備的異常識別方法，其特征在于，所述卷積層、池化層的堆疊采用四層的神經網絡結構。

8.根據權利要求6所述的基于CNN的電纜隧道照明設備的異常識別方法，其特征在于，步驟S43中所述權重按下式計算：

式中，損失函數為均方差MSE函數，W_i表示卷積層第i個權重，b_i表示卷積層第i個偏置，Y表示整個樣本集，Y(i)表示第i個樣本對應的標記值，表示第i個樣本輸入訓練網絡后輸出層的輸出標記值，η表示反向傳播算法的學習效率。

9.根據權利要求1所述的基于CNN的電纜隧道照明設備的異常識別方法，其特征在于，步驟S4中預訓練后模型的模型訓練誤差小于10％，隧道照明設備監測模型的模型訓練誤差的平均值小于5％。