The invention discloses a video surveillance equipment fault automatic detection method, the method comprises the following steps, since the convolution encoder using different network layers and hidden nodes monitoring image feature extraction, image feature extraction in the pool layer, since the encoder iterative convolution until the accuracy of convergence of classification model; convolutional neural network feature since the monitor image convolution encoder to extract the image classification as the basis, so as to realize supervised learning; convolutional neural network using parallel computing architecture for network model, node model after network training, the model is applied to the classification process of test images, video surveillance equipment damage judgment according to the classification results. The automatic detection method of the video monitoring equipment is proposed, and the corresponding algorithm is improved aiming at the fault detection of the video monitoring equipment, so as to propose an automatic and fast detection method for faults.
【技术实现步骤摘要】
视频监控设备故障自动检测方法
本专利技术属于深度学习算法领域,尤其涉及一种视频监控设备故障自动检测方法。
技术介绍
传统的视频监控设备故障检测主要通过机器设备传感器实现,但是,现实检测中传感器本身会存在故障,导致无法及时检查视频设备的故障情况。本专利技术采用监控图像分类的方式检测视频监控设备故障。监控图像分类是指把监控过程中预留的屏幕截图按照黑屏、偏色、正常和遮挡等特征分为4类。其主要用途是根据分类的结果判断监控设备的损坏情况。图像的分类需要足够的训练样本,但是由于训练样本没有标签,而无法完成卷积神经网络模型的建立。无监督学习可以解决这一问题。无监督学习提供的特征为卷积神经网络的分类提供了分类的依据。2006年,Hinton对原型自动编码器结构进行改进,先用无监督逐层贪心训练算法完成对隐藏层的预训练,然后用BP算法对整个神经网络进行参数优化调整,有效改善BP算法陷入局部最小的状况。2007年,Benjio提出了稀疏自动编码器的概念,进一步深化了无监督学习的研究。2011年,Jonathan提出卷积自动编码器,用于构建卷积神经网络。通过Hinton,Bengio和Jonathan等神经网络学者的研究,无监督学习的自编码器包含原型自动编码器、稀疏自动编码器、降噪自动编码器、卷积自动编码器和RBM等模型。比较这些无监督学习模型,普通的自编码器不能有效解决图像数据中的池化和白化问题,并且训练时会产生大量的冗余参数降低了运算效率。
技术实现思路
本专利技术所要解决的技术问题是,提供一种视频监控设备故障自动检测方法,针对视频监控设备故障检测提出相应的算法改进,从而提出自动 ...
【技术保护点】
一种视频监控设备故障自动检测方法,其特征在于,步骤一,卷积自编码器使用不同网络层数和隐藏节点数提取监控图像的特征,在池化层进行图像特征提取,迭代卷积自编码器直到分类模型的准确率收敛;步骤二,卷积神经网络将卷积自编码器提取的监控图像的特征作为图像分类的依据,从而实现监督学习;步骤三,卷积神经网络运用并行化运算架构进行网络模型训练,网络模型训练结束后,将该模型应用到测试图像的分类过程;步骤四,根据分类结果判断视频监控设备损坏情况。
【技术特征摘要】
1.一种视频监控设备故障自动检测方法,其特征在于,步骤一,卷积自编码器使用不同网络层数和隐藏节点数提取监控图像的特征,在池化层进行图像特征提取,迭代卷积自编码器直到分类模型的准确率收敛;步骤二,卷积神经网络将卷积自编码器提取的监控图像的特征作为图像分类的依据,从而实现监督学习;步骤三,卷积神经网络运用并行化运算架构进行网络模型训练,网络模型训练结束后,将该模型应用到测试图像的分类过程;步骤四,根据分类结果判断视频监控设备损坏情况。2.根据权利要求1所述的视频监控设备故障自动检测方法,其特征在于,所述步骤二中,卷积神经网络的批量卷积和池化过程中,使用不同大小的卷积核心和池化区域对卷积神经网络的图像分类准确率进行分析,模型准确率的范围为79.8%-82.3%。3.根据权利要求1或2所述的视频监控设备故障自动检测方法,其特征在于,卷积自编码器由输入层、卷积层、池化层、反池化层、反卷积层、输出层依次组成,输入层运用6个8*8的卷积核进行卷积运算得到卷积层;然后将卷积层作为输入,利用2*2的均值池化操作缩小图像矩阵;然后将缩小后的图像矩阵进行2*2的平均反池化操作,部分还原图像矩阵;最后利用矩阵补零操作还原矩阵。4.根据权利要求1或2所述的视频监控设备故障自动检测方法,其特征在于,步骤三中所述网络模型训练中,基于卷积...
【专利技术属性】
技术研发人员:陈先桥,於利艳,石义龙,周三三,赵春芳,严星,
申请(专利权)人:武汉理工大学,
类型:发明
国别省市:湖北,42
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。