CN109345506A - 一种基于卷积神经网络的热点与marfe自动检测方法 - Google Patents

一种基于卷积神经网络的热点与marfe自动检测方法 Download PDF

Info

Publication number
CN109345506A
CN109345506A CN201810967404.6A CN201810967404A CN109345506A CN 109345506 A CN109345506 A CN 109345506A CN 201810967404 A CN201810967404 A CN 201810967404A CN 109345506 A CN109345506 A CN 109345506A
Authority
CN
China
Prior art keywords
neural networks
layer
convolutional neural
feature
marfe
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN201810967404.6A
Other languages
English (en)
Inventor
谢更新
肖炳甲
罗正平
黄耀
张恒
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hefei Institutes of Physical Science of CAS
Original Assignee
Hefei Institutes of Physical Science of CAS
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Hefei Institutes of Physical Science of CAS filed Critical Hefei Institutes of Physical Science of CAS
Priority to CN201810967404.6A priority Critical patent/CN109345506A/zh
Publication of CN109345506A publication Critical patent/CN109345506A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]

Landscapes

  • Engineering & Computer Science (AREA)
  • Quality & Reliability (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于卷积神经网络的热点与MARFE自动检测方法，包括如下步骤：输入图像，对图像进行预处理，特征提取层提取图像的特征，使用分类器去特征进行分类，输出分类结果。本发明提出了一种可以自动检测等离子体放电过程中是否出现Hot Spot与MARFE的方法，设计中尽可能减少卷积核，提高计算速度。

Description

一种基于卷积神经网络的热点与MARFE自动检测方法
技术领域
本发明属于图像处理领域，尤其涉及一种基于卷积神经网络的热点与MARFE自动检测方法。
背景技术
托卡马克装置是目前被广泛研究的一种聚变装置。为了实现可约束的热核聚变，各个主要经济体在托卡马克装置上投入了大量的资金。目前，托卡马克正在经历由小型装置到大型装置再到商业示范堆的一个过程。随着托卡马克装置越做越大，装置内等离子体约束的等离子体内能也越来越多，真空室壁及其构件上的热负荷也越来越大。从装置上相机拍摄到的图片，可以看到在这些位置产生了明显的光斑。通常，实验人员也会根据这些现象，判断是否产生了Hot Spot现象。但是，通过人眼检测Hot spot现象是一种极为低效的策略。当实验人员需要寻找一些出现Hot Spot的异常放电炮时，从浩如烟海的图像数据中一张一张查找明显是极为浪费时间的。而且，以EAST为例，现在每一轮实验中大概产生近百万的图像。从这些图片中寻找出异常放电炮号将变得不现实。
随着近些年人工智能的兴起，以及GPU等硬件资源的不断更新升级，基于神经网络模型的卷积神经网络不断推动着计算机视觉领域的发展。在图像分类、物体检测等领域，基于卷积神经网络的算法表现十分亮眼。随着卷积神经网络算法的日渐成熟，训练卷积神经模型进行托卡马克装置上Hot Spot、MARFE等现象的检测成为可能。使用卷积神经网络检测Hot Spot、MARFE等现象主要有以下的考虑：1、Hot Spot、MARFE出现时的形状是不规则的，通过纹理信息判断十分困难；2、在偏滤器位形下，X点的存在使得通过灰阶变化来确定HotSpot与MARFE存在误判的可能。
发明内容
为了准确地检测Hot Spot、MARFE等现象，本发明提出了一种基于卷积神经网络的热点与MARFE自动检测方法。该方法可以有效地检测出一张等离子体放电过程中拍摄到的图像是否存在Hot Spot与MARFE等。
为了解决上面的技术问题，本发明采用了如下的技术方案：
一种基于卷积神经网络的热点与MARFE自动检测方法，其特征在于包括以下步骤：
步骤1：输入需要识别的图像；
步骤2：图像缩放，缩放到256*256像素大小；
步骤3：图像预处理，包括对图像进行中值滤波；
步骤4：使用卷积神经网络提取全图特征；
步骤5：使用分类器对提取出来的特征进行分类；
步骤6：输出分类结果。
所述的一种基于卷积神经网络的热点与MARFE自动检测方法，其特征在于：所述步骤4中，卷积神经网络采用三层卷积结构，分为两个卷积和两个池化层；其中第一层卷积核大小为5*5， 步长为1，第二层卷积核大小为3*3，步长为1，卷积核个数为1，两个卷积层后有一个池化层卷积核大小为3*3，步长为2，卷积核个数为2；每一卷积卷积层采用Relu函数作为激活函数进行非线性处理；将池化后得到的特征提取层每一层分割成M*M个小的区域并进行拼接，拼接成M*M*2个特征层；在这些小的区域上做全局的池化，得到M*M*2个特征。
所述的一种基于卷积神经网络的热点与MARFE自动检测方法，其特征在于：所述步骤5中，分类器采用支持向量机、神经网络或朴素贝叶斯分类器。根据实际训练的结果选择表现最优的分类器进行最后的分类工作。
所述的一种基于卷积神经网络的热点与MARFE自动检测方法，其特征在于：所述步骤5中，采用全连接的神经网络作为分类器对卷积神经网络进行训练；在训练收敛、得到性能较为优异的特征提取结构后，先用特征提取层提取出图像的特征，并将其作为输入数据集，用来训练新的分类器。
本发明所述的托卡马克上一种基于卷积神经网络的热点与MARFE自动检测方法具有以下的优势：
本发明提供了自动检测托卡马克上热点和MARFE等的出现，该方法可以在线检测，也可以用来筛选历史数据中出现热点和MARFE的数据；在计算上，本发明采用经典的CNN模型，优化各层卷积核的数量，并在瓶颈层摒弃全连接的方法，采用和全卷积相似的处理手段将模型参数降低；参数的减少尽可能避免了出现过拟合的情况，同时在计算量上显著减少。
附图说明
构成本发明的一部分附图用来提供对本发明的进一步理解。本发明的示意性实施例及其说明用于解释发明，并不构成对本发明的不当限定。在附图中：
图1为本发明实施例所述的一种基于卷积神经网络的托卡马克装置上热点与MARFE自动检测方法的流程示意图。
图2为用于特征提取的卷积神经网络模型结构。
具体实施方式
为了是本发明实现的技术手段、创作特征、达到目的与功效易于明白了解，下面结合具体图示和较佳实施例，进一步阐述本发明。
本发明的实现过程参考图1和图2所示。本发明提供一种基于卷积神经网络的热点与MARFE自动检测方法，本发明使用卷积神经网络来提取图像的特征，实现托卡马克装置上热点与MARFE的自动检测，其实现的技术方案包括：
1、图像预处理
图像预处理包括：图像大小的调整，图像滤波。图像大小调整时把图像统一调整到256*256大小。图像滤波阶段使用阈值分割和中值滤波，处理图像的噪声，提高结果的准确性。
2、卷积神经网络的设计与训练
卷积神经网络是图像识别领域一种常见的、也是最常用到的神经网络模型。使用卷积神经网络可以有效地从图像中提取出高维信息，实现图像分类、检测等一系列功能。本发明中设计的卷积神经网络考虑到以后实时性的要求，每一层只使用了少数几个卷积核。通过实践发现，在卷积层之间使用下采样对最后的结果提升并不高。所以，本发明中的卷积神经网络在两个卷积层后引入平均池化层，降低参数；具体为：
卷积神经网络采用三层卷积结构，分为两个卷积和两个池化层；其中第一层卷积核大小为5*5， 步长为1，第二层卷积核大小为3*3，步长为1，卷积核个数为1，两个卷积层后有一个池化层卷积核大小为3*3，步长为2，卷积核个数为2；每一卷积卷积层采用Relu函数作为激活函数进行非线性处理；将池化后得到的特征提取层每一层分割成M*M个小的区域并进行拼接，拼接成M*M*2个特征层；在这些小的区域上做全局的池化，得到M*M*2个特征。
训练样本选自EAST装置试验数据。正样本中包含了在各个位置上出现Hot Spot与MARFE的图片。负样本包含了众多的，实验不同阶段的等离子体图像。
3、分类器设计
本发明中分类是一个二分类问题，使用全连接神经网络可以得到不错的结果，在训练收敛、得到性能较为优异的特征提取结构后，先用特征提取层提取出图像的特征，并将其作为输入数据集，用来训练新的分类器。但是，在二分类问题中，使用支持向量机通常可以达到更好的结果。本发明在训练好特征提取层后，还训练了支撑向量机。本发明设计的支持向量机核函数采用多项式核。
4、最终输出分类结果。
以上所述仅为本发明的较佳实施例而已，并不用于限制本发明，凡在本发明的精神和原则之内的，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (4)

1.一种基于卷积神经网络的热点与MARFE自动检测方法，其特征在于包括以下步骤：
步骤1：输入需要识别的图像；
步骤2：图像缩放；
步骤3：图像预处理；
步骤4：使用卷积神经网络提取全图特征；
步骤5：使用分类器对提取出来的特征进行分类；
步骤6：输出分类结果。
2.根据权利要求1所述的一种基于卷积神经网络的热点与MARFE自动检测方法，其特征在于：所述步骤4中，卷积神经网络采用三层卷积结构，分为两个卷积和两个池化层；其中第一层卷积核大小为5*5， 步长为1，第二层卷积核大小为3*3，步长为1，卷积核个数为1，两个卷积层后有一个池化层卷积核大小为3*3，步长为2，卷积核个数为2；每一卷积卷积层采用Relu函数作为激活函数进行非线性处理；将池化后得到的特征提取层每一层分割成M*M个小的区域并进行拼接，拼接成M*M*2个特征层；在这些小的区域上做全局的池化，得到M*M*2个特征。
3.根据权利要求1所述的一种基于卷积神经网络的热点与MARFE自动检测方法，其特征在于：所述步骤5中，分类器采用支持向量机、神经网络或朴素贝叶斯分类器。
4.根据权利要求3所述的一种基于卷积神经网络的热点与MARFE自动检测方法，其特征在于：所述步骤5中，采用全连接的神经网络作为分类器对卷积神经网络进行训练；在训练收敛、得到性能较为优异的特征提取结构后，先用特征提取层提取出图像的特征，并将其作为输入数据集，用来训练新的分类器。
CN201810967404.6A 2018-08-23 2018-08-23 一种基于卷积神经网络的热点与marfe自动检测方法 Pending CN109345506A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810967404.6A CN109345506A (zh) 2018-08-23 2018-08-23 一种基于卷积神经网络的热点与marfe自动检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810967404.6A CN109345506A (zh) 2018-08-23 2018-08-23 一种基于卷积神经网络的热点与marfe自动检测方法

Publications (1)

Publication Number Publication Date
CN109345506A true CN109345506A (zh) 2019-02-15

Family

ID=65296906

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810967404.6A Pending CN109345506A (zh) 2018-08-23 2018-08-23 一种基于卷积神经网络的热点与marfe自动检测方法

Country Status (1)

Country Link
CN (1) CN109345506A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111935892A (zh) * 2019-05-13 2020-11-13 中科智云科技有限公司 用于测量等离子体状态的方法和设备
CN115135990A (zh) * 2020-02-21 2022-09-30 国立研究开发法人产业技术总和研究所 试料分析***、学习完毕模型生成方法、以及试料分析方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102096804A (zh) * 2010-12-08 2011-06-15 上海交通大学 骨扫描中肿瘤骨转移的图像识别方法
CN106127164A (zh) * 2016-06-29 2016-11-16 北京智芯原动科技有限公司 基于显著性检测和卷积神经网络的行人检测方法及装置
CN107247949A (zh) * 2017-08-02 2017-10-13 北京智慧眼科技股份有限公司 基于深度学习的人脸识别方法、装置和电子设备
CN107341518A (zh) * 2017-07-07 2017-11-10 东华理工大学 一种基于卷积神经网络的图像分类方法
CN107657249A (zh) * 2017-10-26 2018-02-02 珠海习悦信息技术有限公司 多尺度特征行人重识别的方法、装置、存储介质及处理器
CN108021894A (zh) * 2017-12-07 2018-05-11 中国科学院合肥物质科学研究院 一种基于深度策略学习的小麦病害检测方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102096804A (zh) * 2010-12-08 2011-06-15 上海交通大学 骨扫描中肿瘤骨转移的图像识别方法
CN106127164A (zh) * 2016-06-29 2016-11-16 北京智芯原动科技有限公司 基于显著性检测和卷积神经网络的行人检测方法及装置
CN107341518A (zh) * 2017-07-07 2017-11-10 东华理工大学 一种基于卷积神经网络的图像分类方法
CN107247949A (zh) * 2017-08-02 2017-10-13 北京智慧眼科技股份有限公司 基于深度学习的人脸识别方法、装置和电子设备
CN107657249A (zh) * 2017-10-26 2018-02-02 珠海习悦信息技术有限公司 多尺度特征行人重识别的方法、装置、存储介质及处理器
CN108021894A (zh) * 2017-12-07 2018-05-11 中国科学院合肥物质科学研究院 一种基于深度策略学习的小麦病害检测方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
秦雅丽 等: "《EAST等离子体剖面数据可视化》", 《计算机***应用》 *
许志贤: "《基于表面增强拉曼散射的福美双检测研究》", 《中国优秀硕士学位论文全文数据库 工程科技Ⅰ辑》 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111935892A (zh) * 2019-05-13 2020-11-13 中科智云科技有限公司 用于测量等离子体状态的方法和设备
CN111935892B (zh) * 2019-05-13 2022-11-22 中科智云科技有限公司 用于测量等离子体状态的方法和设备
CN115135990A (zh) * 2020-02-21 2022-09-30 国立研究开发法人产业技术总和研究所 试料分析***、学习完毕模型生成方法、以及试料分析方法

Similar Documents

Publication Publication Date Title
Zhang et al. A cascaded R-CNN with multiscale attention and imbalanced samples for traffic sign detection
CN108876780B (zh) 一种复杂背景下桥梁裂缝图像裂缝检测方法
CN105512638B (zh) 一种基于融合特征的人脸检测与对齐方法
Li et al. Sewer pipe defect detection via deep learning with local and global feature fusion
CN106408562A (zh) 基于深度学习的眼底图像视网膜血管分割方法及***
CN114937179B (zh) 垃圾图像分类方法、装置、电子设备及存储介质
CN111767860A (zh) 一种通过卷积神经网络实现图像识别的方法及终端
CN110852330A (zh) 一种基于单阶段的行为识别方法
CN113487610B (zh) 疱疹图像识别方法、装置、计算机设备和存储介质
Mahmood et al. A Comparative study of a new hand recognition model based on line of features and other techniques
CN108875456A (zh) 目标检测方法、目标检测装置和计算机可读存储介质
CN109345506A (zh) 一种基于卷积神经网络的热点与marfe自动检测方法
Zhou Feature extraction of human motion video based on virtual reality technology
CN115457296A (zh) 一种面向非平稳纹理结构属性的结构提取方法
CN113888505B (zh) 一种基于语义分割的自然场景文本检测方法
Yang et al. An improved algorithm for the detection of fastening targets based on machine vision
Wang et al. A deep learning-based experiment on forest wildfire detection in machine vision course
CN113111804B (zh) 一种人脸检测的方法、装置、电子设备及存储介质
Xie et al. Research on mtcnn face recognition system in low computing power scenarios
Li et al. Online rail fastener detection based on YOLO network
CN112686128A (zh) 基于机器学习的教室课桌检测方法
Aina et al. Gesture recognition system for Nigerian tribal greeting postures using support vector machine
Kołodziej et al. Using deep learning to recognize the sign alphabet
Xia et al. Application Study of YOLOv5 Algorithm on Automotive Wheel Surface Defect Detection
Yu et al. PCB Defect Detection Based on GAN Data Generation with Self-attentive Mechanism

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20190215