一种基于卷积神经网络的变电站属性分类方法技术

本发明专利技术公开了一种基于卷积神经网络的变电站属性分类方法，能够非常准确地检索到和变电站相关的特定场景以及特定对象，能够帮助变电站安防人员高效地处理监控资料，在一定程度上填补了智能安防的技术空缺。主要创新点在于巧妙地将图像所包含的特定场景和特定对象对应成一种属性，进而建立起一个用来表征图像的二值属性表，同时改进传统的卷积神经网络结构，使其能够对包含多属性的图像进行准确识别和分类。本发明专利技术提供的一种基于卷积神经网络的变电站属性分类方法，改进的卷积神经网络结构克服了传统的神经网络只能对单一属性进行分类的缺点，达到平均分类准确率为94.7%，具有非常强的可行性和实用性。

【技术实现步骤摘要】

本专利技术涉及，属于属性分类的新型 神经网络

技术介绍
近年来，随着人们对变电站安防技术的需求不断增长以及安防设备的不断发展， 产生了大量的监控图像以及视频，然而对于这些大量出现的监控资料，现阶段仍然缺乏有 效的处理方法。传统的手工标注、人工分析不仅耗时而且费力，导致监控人员对这些监控资 料的处理处于非常低效的状态，工作人员迫切需要一个智能的工具来自动检索、智能分析 特定的场景例如变电站、营业厅、输电线路等，以及特定的对象例如变压器、刀闸、绝缘子、 人等。 在计算机视觉领域中，通过对每一幅图片建立一个包含中层语义信息的属性表， 便可以知道该幅图片中包含的所有的属性;然而建立一个准确且有用的属性表是非常困难 以及耗时的工作。属性表既需要包含和类别相关的信息也需要包含对象层次的信息，而且 还需要符合人们的具体需求。随着监控设备的不断增加，监控图像和视频飞速增加，人们得 到的属性类别越来越多，导致属性表的建立变得更加困难。
技术实现思路
目的：为了克服现有技术中存在的不足，本专利技术提供一种基于卷积神经网络的变 电站属性分类方法。 技术方案:为解决上述技术问题，本专利技术采用的技术方案为： -种基于卷积神经网络的变电站属性分类方法，其特征在于:包括如下步骤： 步骤一：构建变电站图像数据库，这个数据库包括变电站、变压器、刀闸、输电线 路、绝缘子、营业厅、人七类图像;所有图像包括的内容都是现实的变电站相关场景和器件； 所有图像均设置为256X256像素； 步骤二:构建属性表，对数据库中的所有图像构建属性表，所述属性表包括七个数 值，所述七个数值分别对应变电站、变压器、刀闸、输电线路、绝缘子、营业厅、人七类属性， 若图像中包括该项属性则对应数值设置为1，否则设置为〇; 步骤三:预训练卷积神经网络模型，为避免过拟合现象，在图片库ImageNet上预训 练卷积神经网络模型，所述图片库ImageNet包括1000类不同的图像，所述卷积神经网络的 第8层参数均设置为1000;步骤四：学习卷积神经网络，在步骤三的基础上，继续学习卷积神经网络模型； 步骤五:利用学习好的卷积神经网络模型对图像进行属性分类，包括如下步骤： 5a:利用所有训练图像的均值对图像进行归一化处理； 5b:利用训练好的卷积神经网络对图像进行测试，得到该图像的所有属性的分布 概率； 5c:基于设定好的阈值0.5得到预测属性表，再对比所有测试图像的真实属性表和 预测属性表，计算得到各类属性的分类准确率。作为优选方案，所述步骤四包括如下步骤： 4a:所有图像随机地划分成训练图像和测试图像，所述训练图像和测试图像各占 50% ； 4b:将训练图像全部作一个旋转，并将旋转后的图像扩充到训练图像中； 4c:将新加入的图像按照步骤二的方法建立属性表； 4d:将卷积神经网络结构的第8层设置为7,卷积神经网络模型学习率设置为 0.000001，并按照0.7的丢失率随机地丢弃70 %的参数。 作为优选方案，所述卷积神经网络模型Softmax层改为Sigmoid层。 有益效果:本专利技术提供的，利用建 立了一个和变电站相关的图像数据库，该数据库中所有图像在背景、角度、光照、尺度等方 面具有很大的差异性;我们将每一类图像的类别对应成一种属性，并为每一幅图片生成一 个属性表;预先在大型数据库上训练卷积神经网络，并利用该卷积神经网络的模型参数，从 而解决了模型过拟合现象;对每一幅待测图像，都能准确输出该待测图像包含的每一类属 性，即图像包含的场景、对象信息。 本专利技术能够非常准确地检索到和变电站相关的特定场景以及特定对象，能够帮助 变电站安防人员高效地处理监控资料，在一定程度上填补了智能安防的技术空缺。主要创 新点在于巧妙地将图像所包含的特定场景和特定对象对应成一种属性，进而建立起一个用 来表征图像的二值属性表，同时改进传统的卷积神经网络结构，使其能够对包含多属性的 图像进行准确识别和分类。改进的卷积神经网络结构克服了传统的神经网络只能对单一属 性进行分类的缺点，达到平均分类准确率为94.7%，具有非常强的可行性和实用性。【附图说明】图1为本专利技术属性分类学习流程图。【具体实施方式】下面结合附图对本专利技术作更进一步的说明。如图1所示，，首先，建立了一个包 括七类图像的数据库，七类图像分别为变电站、变压器、刀闸、输电线路、绝缘子、营业厅、 人;所有图像均来自监控视频、监控图像、互联网，每一类图像包括的图像个数为60至140之 间。针对每一幅图像，标注得到一个属性表，例如，{1，1，1，0，0，0，0}表明该幅图像包括了变 电站、变压器、刀闸这三类属性。建立的变电站数据库对于将要解决的问题是非常具有挑战 性和难度的，具体表现在以下几个方面： 1.图像在姿态、光照、尺度上具有很大的差异性； 2.图像的背景非常复杂； 3.有些对象在图像中是非常小的，检测该类对象具有很大的难度； 4.每张图像包含的属性具有很大的差异性；将建立好的变电站数据当前第1页1 2 本文档来自技高网...

【技术保护点】
一种基于卷积神经网络的变电站属性分类方法，其特征在于：包括如下步骤：步骤一：构建变电站图像数据库，这个数据库包括变电站、变压器、刀闸、输电线路、绝缘子、营业厅、人七类图像；所有图像包括的内容都是现实的变电站相关场景和器件；所有图像均设置为256×256像素；步骤二：构建属性表，对数据库中的所有图像构建属性表，所述属性表包括七个数值，所述七个数值分别对应变电站、变压器、刀闸、输电线路、绝缘子、营业厅、人七类属性，若图像中包括该项属性则对应数值设置为1，否则设置为0；步骤三：预训练卷积神经网络模型，为避免过拟合现象，在图片库ImageNet上预训练卷积神经网络模型，所述图片库ImageNet包括1000类不同的图像，所述卷积神经网络的第8层参数均设置为1000；步骤四：学习卷积神经网络，在步骤三的基础上，继续学习卷积神经网络模型；步骤五：利用学习好的卷积神经网络模型对图像进行属性分类，包括如下步骤：5a：利用所有训练图像的均值对图像进行归一化处理；5b：利用训练好的卷积神经网络对图像进行测试，得到该图像的所有属性的分布概率；5c：基于设定好的阈值0.5得到预测属性表，再对比所有测试图像的真实属性表和预测属性表，计算得到各类属性的分类准确率。...

【技术特征摘要】

【专利技术属性】
技术研发人员：吴佳，苏丹，郝小龙，袁卫国，彭启伟，李环媛，罗旺，刘超，余磊，高崧，冯敏，
申请(专利权)人：国网冀北电力有限公司信息通信分公司，国家电网公司，南京南瑞集团公司，南京南瑞信息通信科技有限公司，
类型：发明
国别省市：北京;11