一种基于卷积神经网络的热点与MARFE自动检测方法技术

本发明专利技术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。本发明专利技术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。

【技术实现步骤摘要】
一种基于卷积神经网络的热点与MARFE自动检测方法
本专利技术属于图像处理领域，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。
技术介绍
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HotSpot现象。但是，通过人眼检测Hotspot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HotSpot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HotSpot、MARFE等现象的检测成为可能。使用卷积神经网络检测HotSpot、MARFE等现象主要有以下的考虑：1、HotSpot、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。
技术实现思路
为了准确地检测HotSpot、MARFE等现象，本专利技术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HotSpot与MARFE等。为了解决上面的技术问题，本专利技术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。本专利技术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：本专利技术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，本专利技术采用经典的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。附图说明构成本专利技术的一部分附图用来提供对本专利技术的进一步理解。本专利技术的示意性实施例及其说明用于解释专利技术，并不构成对本专利技术的不当限定。在附图中：图1为本专利技术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专利技术实现的技术手段、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，进一步阐述本专利技术。本专利技术的实现过程参考图1和图2所示。本专利技术提供一种基于卷积神经网络的热点与MARFE自动检测方法，本专利技术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。本专利技术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，本专利技术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HotSpot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、分类器设计本专利技术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。本专利技术在训练好特征提取层后，还训练了支撑向量机。本专利技术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。以上所述仅为本专利技术的较佳实施例而已，并不用于限制本专利技术，凡在本专利技术的精神和原则之内的，所作的任何修改、等同替换、改进等，均应包含在本专利技术的保护范围之内。本文档来自技高网...

【技术保护点】
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。

【技术特征摘要】
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...

【专利技术属性】
技术研发人员：谢更新，肖炳甲，罗正平，黄耀，张恒，
申请(专利权)人：中国科学院合肥物质科学研究院，
类型：发明
国别省市：安徽,34