[發(fā)明專利]一種基于機(jī)器學(xué)習(xí)的等離子體放電識(shí)別方法及系統(tǒng)

在審

• 申請(qǐng)?zhí)枺?/td>: 202011289544.6
• 申請(qǐng)日: 2020-11-17
• 公開（公告）號(hào): CN112396104A
• 公開（公告）日: 2021-02-23
• 發(fā)明（設(shè)計(jì)）人: 楊勇;余子恒;李傳;張浩欽;楊帥;陳煥;李馳
• 申請(qǐng)（專利權(quán)）人: 華中科技大學(xué)
• 主分類號(hào): G06K9/62
• 分類號(hào): G06K9/62;G06N3/04;G06N3/08
• 代理公司: 華中科技大學(xué)專利中心 42201
• 代理人: 李智

1.一種基于機(jī)器學(xué)習(xí)的等離子體放電識(shí)別方法，其特征在于，包括以下步驟：

將采集到的放電圖像分為訓(xùn)練集、驗(yàn)證集和測試集，并打上預(yù)設(shè)的放電種類標(biāo)簽，通過圖片預(yù)處理統(tǒng)一每張放電圖像的大小；

使用所述訓(xùn)練集對(duì)帶有預(yù)訓(xùn)練權(quán)重的卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，使用所述驗(yàn)證集調(diào)整卷積神經(jīng)網(wǎng)絡(luò)的超參數(shù)并監(jiān)控卷積神經(jīng)網(wǎng)絡(luò)是否過擬合，以決定是否停止訓(xùn)練；使用所述測試集驗(yàn)證調(diào)整后的卷積神經(jīng)網(wǎng)絡(luò)，計(jì)算誤差；保存測試完成的卷積神經(jīng)網(wǎng)絡(luò)，用于識(shí)別等離子體放電類型。

2.如權(quán)利要求1所述的等離子體放電識(shí)別方法，其特征在于，所述預(yù)處理用于增加訓(xùn)練數(shù)據(jù)，指對(duì)放電圖像進(jìn)行隨機(jī)的翻轉(zhuǎn)、旋轉(zhuǎn)、裁剪以及隨機(jī)設(shè)置圖像的亮度、對(duì)比度、飽和度、色度，從而擴(kuò)大數(shù)據(jù)集的容量。

3.如權(quán)利要求1所述的等離子體放電識(shí)別方法，其特征在于，所述放電種類標(biāo)簽包括電弧放電、電暈放電、沿面放電、等離子體射流四種。

4.如權(quán)利要求1所述的等離子體放電識(shí)別方法，其特征在于，所述卷積神經(jīng)網(wǎng)絡(luò)由多個(gè)神經(jīng)網(wǎng)絡(luò)層按照順序組合而成：輸入層、卷積層、池化層、全連接層和輸出層；

輸入層：是卷積神經(jīng)網(wǎng)絡(luò)的始端，用于輸入放電圖像的三維矩陣；

卷積層：是卷積神經(jīng)網(wǎng)絡(luò)的核心層，用于圖像數(shù)據(jù)的特征提取；

池化層：用于減小圖像數(shù)據(jù)的空間尺寸，即縮小圖像三維矩陣的大小；

全連接層：其作用是將上一層中的每個(gè)神經(jīng)元連接到下一層中，主要用于完成分類任務(wù)；

輸出層：用于輸出分類結(jié)果。

5.如權(quán)利要求4所述的等離子體放電識(shí)別方法，其特征在于，所述卷積神經(jīng)網(wǎng)絡(luò)針對(duì)過擬合，在所述全連接層后追加節(jié)點(diǎn)數(shù)為1024的全連接層、ReLU激活函數(shù)、追加BN層和追加Dropout層；

ReLU激活函數(shù)：用于增加網(wǎng)絡(luò)模型的非線性，使其適用于非線性模型；

BN層：用于進(jìn)行歸一化操作，從而減小了不同批次數(shù)據(jù)分布的差異性；

Dropout層：用于在卷積神經(jīng)網(wǎng)絡(luò)的訓(xùn)練過程中，暫時(shí)丟棄部分神經(jīng)網(wǎng)絡(luò)單元，增強(qiáng)卷積神經(jīng)網(wǎng)絡(luò)的泛化能力。

6.一種基于機(jī)器學(xué)習(xí)的等離子體放電識(shí)別系統(tǒng)，其特征在于，包括：

計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)和處理器；

所述計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)用于存儲(chǔ)可執(zhí)行指令；

所述處理器用于讀取所述計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)中存儲(chǔ)的可執(zhí)行指令，執(zhí)行權(quán)利要求1至5任一項(xiàng)所述的基于機(jī)器學(xué)習(xí)的等離子體放電識(shí)別方法。