CN112598666A - 一种基于卷积神经网络的电缆隧道异常检测方法 - Google Patents
一种基于卷积神经网络的电缆隧道异常检测方法 Download PDFInfo
- Publication number
- CN112598666A CN112598666A CN202110011709.1A CN202110011709A CN112598666A CN 112598666 A CN112598666 A CN 112598666A CN 202110011709 A CN202110011709 A CN 202110011709A CN 112598666 A CN112598666 A CN 112598666A
- Authority
- CN
- China
- Prior art keywords
- image
- neural network
- convolutional neural
- layer
- training
- 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.)
- Granted
Links
- 238000013527 convolutional neural network Methods 0.000 title claims abstract description 40
- 238000001514 detection method Methods 0.000 title claims abstract description 13
- 238000012549 training Methods 0.000 claims abstract description 35
- 238000007689 inspection Methods 0.000 claims abstract description 26
- 230000002159 abnormal effect Effects 0.000 claims abstract description 10
- 238000012360 testing method Methods 0.000 claims abstract description 8
- 238000000034 method Methods 0.000 claims description 18
- 238000011176 pooling Methods 0.000 claims description 17
- 238000011478 gradient descent method Methods 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 210000002569 neuron Anatomy 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 238000013528 artificial neural network Methods 0.000 claims description 2
- 230000005856 abnormality Effects 0.000 claims 4
- 238000012544 monitoring process Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
Images
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
- G06T7/0004—Industrial image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10016—Video; Image sequence
-
- 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]
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Evolutionary Biology (AREA)
- Quality & Reliability (AREA)
- Bioinformatics & Computational Biology (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明提供一种基于卷积神经网络的电缆隧道异常检测方法,包括训练阶段和测试阶段,在所述训练阶段可以将标准图像a输入卷积神经网络训练,获取模型A;在所述测试阶段,使用日常巡检图像样本b输入模型A,获取与之相对应的标准图像a,如果图像b与图像a一样或者接近,则为正常数据,否则为异常数据;本发明中的检测方法更加准确,便捷,适于推广。
Description
技术领域
本发明涉及电缆隧道异常检测方法领域,尤其是基于卷积神经网络的电缆隧道异常检测方法。
背景技术
目前在做隧道异常检测时,需要巡检机器人在图一位置同意角度进行拍摄,然后提取图像特征,根据两幅图像对应特征的差异度来判断当前巡检拍摄图像是否为异常图像;一般高压电缆隧道长度在5-10公里,巡检机器人的行驶速度通常为1米/秒,跑完全程需要数小时,采用拍照的方式来对全隧道进行监控,那么行进速度会大打折扣,隧道监控的时效性就会受到很大的影响,而且目前巡检机器人采集可见光数据的主要方式还是录制视频,所以如果能够直接对视频进行分析处理是最理想的。
发明内容
为解决上述问题,本发明提供一种基于卷积神经网络的电缆隧道异常检测方法,可以将录制的视频转换成图像后,再使用卷积神经网络技术进行异常分析检测。
为解决上述技术问题,本发明的实施例提供一种基于卷积神经网络的电缆隧道异常检测方法,包括训练阶段和测试阶段,在所述训练阶段可以将标准图像a输入卷积神经网络训练,获取模型A;在所述测试阶段,使用日常巡检图像样本b输入模型A,获取与之相对应的标准图像a,如果图像b与图像a一样或者接近,则为正常数据,否则为异常数据,其步骤如下:
(一)将标准视频转换为图像:从标准视频中提取图像序列,按固定时间段进行分类,每一图像类对应一个时间点,再从巡检视频中任取一幅图像,确定巡检图像与标准图像的对应关系,将视频转换为图像;
(二)将切分好的标准图像输入到卷积神经网络进行训练:所述卷积神经网络包括输入层、卷积层、池化层、全连接层和输出层,所述卷积层与池化层组成多个卷积组,逐层提取特征,通过若干个全连接层完成分类;
其训练过程如下:
1)将标准图像输入所述卷积组;
2)更新训练参数;
3)从所述标准图像数据中获得每次迭代需要使用的训练样本,对所述训练样本进行预处理后,作为模型A的输入;
4)采用随机梯度下降法交替优化,更新各部分权值,直至迭代结束;
5)获得异常判别阈值
(三)将日常巡检图像输入到训练好的卷积神经网络中:可得到相同于划分好的标准图像时间段的巡检图像;
(四)比较两幅图像并找出差异:找到与巡检图像相对应的标准图像后,通过图像配准方法找出两幅图像的映射关系,再做差值,如果差值大于所述异常判别阈值,即可视为异常。
其中,步骤(二)中的所述卷积神经网络模型的目标函数/损失函数如下:
其中,n为样本数量,C为类的数目,xi为第i个样本的特征,yi为xi对应的类标签,Wj和bj为类j的权重及偏置;
其中,所述损失函数可以估量模型的预测值与真实值的不一致程度,标准图像输入网络经过迭代运算后得到的分类数据与期望的数据误差小于异常判别阈值,则代表网络训练成功;
其中,步骤(二)中的所述训练参数包括最小批次值N batch 、最大迭代次数M、卷积和反卷积网络的层数以及每层网络的特征图数量。
优选地,所述卷积神经网络为三维卷积神经网络,所述三维卷积神经网络的输入层接收四维数组。
其中,所述步骤(二)中的卷积层中的神经元对应的权重是固定的。
其中,所述步骤(二)中池化层可以进行最大值池化和平均值池化。
优选地,所述步骤(一)中的视频切分的时长为5秒。
本发明的上述技术方案的有益效果如下:
1、本发明中,只要隧道内有新的物体或异常情况出现,就能够被识别出来,而由于巡检机器人运动中拍摄导致的位置和角度偏差不会影响识别结果,使检测更加智能化和准确;
2、本发明中,可以将视频转换成图像再进行辨别,即巡检机器人只需要按照正常速度运行并拍摄视频即可完成对隧道整体的实时监控,节省了检测时间。
附图说明
图1为卷积神经网络结构图。
附图标记说明:
01、输入层;02、卷积层;03、池化层;04、全连接层;05、输出层。
具体实施方式
为使本发明要解决的技术问题、技术方案和优点更加清楚,下面将结合附图及具体实施例进行详细描述,显然,所描述的实施例仅仅是本发明的一部分实施例,而不是全部的实施例。
如图1所示,本发明提供一种基于卷积神经网络的电缆隧道异常检测方法,包括训练阶段和测试阶段,在所述训练阶段可以将标准图像a输入卷积神经网络训练,获取模型A;在所述测试阶段,使用日常巡检图像样本b输入模型A,获取与之相对应的标准图像a,如果图像b与图像a一样或者接近,则为正常数据,否则为异常数据,其步骤如下:
(一)将标准视频转换为图像:从标准视频中提取图像序列,按固定时间段进行分类,每一图像类对应一个时间点,再从巡检视频中任取一幅图像,确定巡检图像与标准图像的对应关系,将视频转换为图像;
(二)将切分好的标准图像输入到卷积神经网络进行训练:卷积神经网络包括输入层01、卷积层02、池化层03、全连接层04和输出层05,卷积层与池化层组成多个卷积组,逐层提取特征,通过若干个全连接层完成分类,即卷积神经网络通过卷积来模拟特征区分,并且通过卷积的权值共享及池化,来降低网络参数的数量级,最后通过传统神经网络完成分类等任务;
其训练过程如下:
1)将标准图像输入所述卷积组;
2)更新训练参数;
3)从所述标准图像数据中获得每次迭代需要使用的训练样本,对所述训练样本进行预处理后,作为模型A的输入;
4)采用随机梯度下降法交替优化,更新各部分权值,直至迭代结束;
5)获得异常判别阈值
(三)将日常巡检图像输入到训练好的卷积神经网络中:可得到相同于划分好的标准图像时间段的巡检图像;
(四)比较两幅图像并找出差异:找到与巡检图像相对应的标准图像后,通过图像配准方法找出两幅图像的映射关系,再做差值,如果差值大于所述异常判别阈值,即可视为异常。
其中,步骤(二)中的所述卷积神经网络模型的目标函数/损失函数如下:
其中,n为样本数量,C为类的数目,xi为第i个样本的特征,yi为xi对应的类标签,Wj和bj为类j的权重及偏置;
其中,损失函数可以估量模型的预测值与真实值的不一致程度,标准图像输入网络经过迭代运算后得到的分类数据与期望的数据误差小于异常判别阈值,则代表网络训练成功;
其中,步骤(二)中的训练参数包括最小批次值N batch 、最大迭代次数M、卷积和反卷积网络的层数以及每层网络的特征图数量。
优选地,卷积神经网络为三维卷积神经网络,所述三维卷积神经网络的输入层接收四维数组。
其中,步骤(二)中的卷积层中的神经元对应的权重是固定的。
其中,步骤(二)中池化层可以进行最大值池化和平均值池化。
优选地,步骤(一)中的视频切分的时长为5秒。
以上所述是本发明的优选实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,根据本发明的技术方案及其发明构思加以等同替换或改变,都应涵盖在本发明的保护范围之内。
Claims (8)
1.一种基于卷积神经网络的电缆隧道异常检测方法,其特征在于,包括训练阶段和测试阶段,在所述训练阶段可以将标准图像a输入卷积神经网络训练,获取模型A;在所述测试阶段,使用日常巡检图像样本b输入模型A,获取与之相对应的标准图像a,如果图像b与图像a一样或者接近,则为正常数据,否则为异常数据,其步骤如下:
(一)将标准视频转换为图像:从标准视频中提取图像序列,按固定时间段进行分类,每一图像类对应一个时间点,再从巡检视频中任取一幅图像,确定巡检图像与标准图像的对应关系,将视频转换为图像;
(二)将切分好的标准图像输入到卷积神经网络进行训练:所述卷积神经网络包括输入层、卷积层、池化层、全连接层和输出层,所述卷积层与池化层组成多个卷积组,逐层提取特征,通过若干个全连接层完成分类;
其训练过程如下:
将标准图像输入所述卷积组;
更新训练参数;
从所述标准图像数据中获得每次迭代需要使用的训练样本,对所述训练样本进行预处理后,作为模型A的输入;
采用随机梯度下降法交替优化,更新各部分权值,直至迭代结束;
获得异常判别阈值
(三)将日常巡检图像输入到训练好的卷积神经网络中:可得到相同于划分好的标准图像时间段的巡检图像;
(四)比较两幅图像并找出差异:找到与巡检图像相对应的标准图像后,通过图像配准方法找出两幅图像的映射关系,再做差值,如果差值大于所述异常判别阈值,即可视为异常。
3.根据权利要求2所述的一种基于卷积神经网络的电缆隧道异常检测方法,其特征在于,所述损失函数可以估量模型的预测值与真实值的不一致程度,标准图像输入网络经过迭代运算后得到的分类数据与期望的数据误差小于异常判别阈值,则代表网络训练成功。
4.根据权利要求1所述的一种基于对抗神经网络的电缆隧道异常检测方法,其特征在于,步骤(二)中的所述训练参数包括最小批次值N batch 、最大迭代次数M、卷积和反卷积网络的层数以及每层网络的特征图数量。
5.根据权利要求1所述的一种基于卷积神经网络的电缆隧道异常检测方法,其特征在于,所述卷积神经网络为三维卷积神经网络,所述三维卷积神经网络的输入层接收四维数组。
6.根据权利要求1所述的一种基于卷积神经网络的电缆隧道异常检测方法,其特征在于,所述步骤(二)中的卷积层中的神经元对应的权重是固定的。
7.根据权利要求1所述的一种基于卷积神经网络的电缆隧道异常检测方法,其特征在于,所述步骤(二)中池化层可以进行最大值池化和平均值池化。
8.根据权利要求1所述的一种基于卷积神经网络的电缆隧道异常检测方法,其特征在于,所述步骤(一)中的视频切分的时长为5秒。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110011709.1A CN112598666B (zh) | 2021-01-06 | 2021-01-06 | 一种基于卷积神经网络的电缆隧道异常检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110011709.1A CN112598666B (zh) | 2021-01-06 | 2021-01-06 | 一种基于卷积神经网络的电缆隧道异常检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112598666A true CN112598666A (zh) | 2021-04-02 |
CN112598666B CN112598666B (zh) | 2024-06-07 |
Family
ID=75207922
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110011709.1A Active CN112598666B (zh) | 2021-01-06 | 2021-01-06 | 一种基于卷积神经网络的电缆隧道异常检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112598666B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113284144A (zh) * | 2021-07-22 | 2021-08-20 | 深圳大学 | 一种基于无人机的隧道检测方法及装置 |
CN113344037A (zh) * | 2021-05-18 | 2021-09-03 | 国网江西省电力有限公司电力科学研究院 | 电缆绝缘层及护套参数测量方法及测量装置 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104284185A (zh) * | 2014-10-24 | 2015-01-14 | 苏州科达科技股份有限公司 | 视频图像质量巡检方法及*** |
US20170032222A1 (en) * | 2015-07-30 | 2017-02-02 | Xerox Corporation | Cross-trained convolutional neural networks using multimodal images |
CN106709511A (zh) * | 2016-12-08 | 2017-05-24 | 华中师范大学 | 基于深度学习的城市轨道交通全景监控视频故障检测方法 |
CN108615057A (zh) * | 2018-04-28 | 2018-10-02 | 广东电网有限责任公司 | 一种基于cnn的电缆隧道照明设备的异常识别方法 |
CN108846418A (zh) * | 2018-05-24 | 2018-11-20 | 广东电网有限责任公司 | 一种电缆设备温度异常定位与识别方法 |
CN109558912A (zh) * | 2019-01-21 | 2019-04-02 | 广西师范大学 | 一种基于深度可分离卷积的阿尔兹海默病分类方法 |
CN110598767A (zh) * | 2019-08-29 | 2019-12-20 | 河南省收费还贷高速公路管理有限公司航空港分公司 | 一种基于ssd卷积神经网络的地下排水管道缺陷识别方法 |
CN111563557A (zh) * | 2020-05-12 | 2020-08-21 | 山东科华电力技术有限公司 | 一种电力电缆隧道内目标检测的方法 |
CN112037219A (zh) * | 2020-09-27 | 2020-12-04 | 上海电力大学 | 一种基于两阶段卷积神经网络的金属表面缺陷检测方法 |
-
2021
- 2021-01-06 CN CN202110011709.1A patent/CN112598666B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104284185A (zh) * | 2014-10-24 | 2015-01-14 | 苏州科达科技股份有限公司 | 视频图像质量巡检方法及*** |
US20170032222A1 (en) * | 2015-07-30 | 2017-02-02 | Xerox Corporation | Cross-trained convolutional neural networks using multimodal images |
CN106709511A (zh) * | 2016-12-08 | 2017-05-24 | 华中师范大学 | 基于深度学习的城市轨道交通全景监控视频故障检测方法 |
CN108615057A (zh) * | 2018-04-28 | 2018-10-02 | 广东电网有限责任公司 | 一种基于cnn的电缆隧道照明设备的异常识别方法 |
CN108846418A (zh) * | 2018-05-24 | 2018-11-20 | 广东电网有限责任公司 | 一种电缆设备温度异常定位与识别方法 |
CN109558912A (zh) * | 2019-01-21 | 2019-04-02 | 广西师范大学 | 一种基于深度可分离卷积的阿尔兹海默病分类方法 |
CN110598767A (zh) * | 2019-08-29 | 2019-12-20 | 河南省收费还贷高速公路管理有限公司航空港分公司 | 一种基于ssd卷积神经网络的地下排水管道缺陷识别方法 |
CN111563557A (zh) * | 2020-05-12 | 2020-08-21 | 山东科华电力技术有限公司 | 一种电力电缆隧道内目标检测的方法 |
CN112037219A (zh) * | 2020-09-27 | 2020-12-04 | 上海电力大学 | 一种基于两阶段卷积神经网络的金属表面缺陷检测方法 |
Non-Patent Citations (3)
Title |
---|
唐永旺;王刚;魏晗;: "基于改进卷积神经网络的恶意代码检测技术", 信息工程大学学报, no. 02, 15 April 2019 (2019-04-15) * |
杨跞: "基于卷积神经网络的电缆隧道异常识别", 中国优秀硕士学位论文全文数据库, no. 2, 15 February 2020 (2020-02-15) * |
王尤河;游日晴;郑力勇;文春华;: "基于卷积神经网络的智能巡检机器人场景识别", 信息技术, no. 02, 20 February 2020 (2020-02-20) * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113344037A (zh) * | 2021-05-18 | 2021-09-03 | 国网江西省电力有限公司电力科学研究院 | 电缆绝缘层及护套参数测量方法及测量装置 |
CN113284144A (zh) * | 2021-07-22 | 2021-08-20 | 深圳大学 | 一种基于无人机的隧道检测方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN112598666B (zh) | 2024-06-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112380952B (zh) | 基于人工智能的电力设备红外图像实时检测及识别方法 | |
CN111179251A (zh) | 基于孪生神经网络利用模板比对的缺陷检测***及方法 | |
CN111784633B (zh) | 一种面向电力巡检视频的绝缘子缺损自动检测算法 | |
CN111815564B (zh) | 一种检测丝锭的方法、装置及丝锭分拣*** | |
CN112598666B (zh) | 一种基于卷积神经网络的电缆隧道异常检测方法 | |
CN116453438B (zh) | 一种显示屏参数检测方法、装置、设备及存储介质 | |
CN116342894B (zh) | 基于改进YOLOv5的GIS红外特征识别***及方法 | |
CN114463296B (zh) | 基于单样本学习的轻量化部件缺陷检测方法 | |
CN114494780A (zh) | 基于特征对比的半监督工业缺陷检测方法及*** | |
CN114359695A (zh) | 基于不确定性估计的绝缘子破损识别方法 | |
CN111860277A (zh) | 基于颜色直方图特征的民航飞机空速管套安全警示方法 | |
CN115471501A (zh) | 利用机器视觉在线识别发电机气隙分布状态的方法及*** | |
Chou et al. | SHM data anomaly classification using machine learning strategies: A comparative study | |
CN115100497A (zh) | 基于机器人的通道异常物体巡检方法、装置、设备及介质 | |
CN117677969A (zh) | 一种缺陷检测的方法和装置 | |
CN110618129A (zh) | 一种电网线夹自动检测与缺陷识别方法及装置 | |
CN113706496A (zh) | 一种基于深度学习模型的飞行器结构裂纹检测方法 | |
CN117575165A (zh) | 一种数字化配电网的智能巡检管理方法及*** | |
CN117670820A (zh) | 一种塑料薄膜生产缺陷检测方法及*** | |
CN114596244A (zh) | 基于视觉处理和多特征融合的红外图像识别方法及*** | |
CN113077423A (zh) | 基于卷积神经网络的激光选区熔化熔池图像分析*** | |
CN117269193A (zh) | 合成革表观质量智能化检测方法 | |
CN112508946B (zh) | 一种基于对抗神经网络的电缆隧道异常检测方法 | |
CN116720095A (zh) | 一种基于遗传算法优化模糊c均值的电特性信号聚类方法 | |
CN114662594B (zh) | 一种目标特征识别分析*** |
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 | ||
GR01 | Patent grant |