视频监控设备故障自动检测方法技术

本发明专利技术公开了一种视频监控设备故障自动检测方法，该方法包括以下步骤，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；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；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，根据分类结果判断视频监控设备损坏情况。本发明专利技术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，从而提出自动快速检测故障的方法。

Automatic fault detection method for video surveillance equipment

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，从而提出自动快速检测故障的方法。本专利技术解决其技术问题所采用的技术方案是：提供一种视频监控设备故障自动检测方法，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。卷积神经网络和卷积自编码器是并行结合在一起。卷积自编码器为无监督特征提取模型。按上述技术方案，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％。同时，在卷积神经网络将CUDA并行运算的架构加入训练过程，将训练速度提高了1.1-1.2倍。按上述技术方案，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。提出了5层自编码器结构，加入反池化层和反卷积层的操作，极大稀疏了网络结构，实验证明5层结构的CAE具有较好的特征提取效果。按上述技术方案，步骤三中所述网络模型训练中，基于卷积自编码器自动提取的视频监控图像的特征，为训练样本添加标签。卷积神经网络属于监督学习网络。按上述技术方案，卷积神经网络由输入层、第一卷积层、第一池化层、第二卷积层、第二池化层、全连接层、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，如此循环3次，最后将图像矩阵转化为120元的一维向量，将一维向量输入到分类器中实现分类。按上述技术方案，在反向传播过程中，卷积神经网络进行网络模型训练的训练方法采用类梯度下降法，即按极小化误差的算法传播调整权值和阈值，学习率在训练时会初始为(0,1)之间的数，然而当学习率取值较大时，网络在训练时会发生收敛震荡的问题；当学习率较小时，网络收敛会极其缓慢。选择动量法改变学习率，在梯度方向一致的地方，学习率选择在(0.65，0.95]之间，在梯度方向由正变为负再由负变为正再变为负，这样梯度方向变化超过2次时，将学习率根据公式(1)进行改变：Δηt＝ρΔηt-1-θ[▽C(ηt-1)]T(1)Δηt为第t次迭代后学习率的变化值,Δηt-1表示第t-1次迭代学习率的变化值，t表示迭代次数。其中学习率η∈(0,1)，初值取0.9。ρ∈(0，1)是动量因子，决定学习率改变的程度，值越大，学习率改动越小，取0.8。θ＝0.2为梯度方向变化次数除10的结果，为常数，梯度方向变化2次则需进行学习率调整。▽C(ηt-1)为图像矩阵变化值，值为与第t-1次迭代调整后图像矩阵相减的结果，其中C表示图像矩阵，T表示转置。这样既可以避免收敛点震荡问题，也解决了收敛缓慢的问题。卷积核初始值选取不当容易产生局部最优解。本文采用微批量梯度下降算法，每次选择50个样本更新梯度和样本。这样可以避免一次性初始化所有的卷积核，将问题细化，分解迭代。本专利技术产生的有益效果是：提出了卷积神经网络结合改进的卷积自编码器进行监控图像分类，在卷积神经网络训练过程中实行并行化运算架构，从而提出自动快速检测故障的方法。附图说明下面将结合附图及实施例对本专利技术作进一步说明，附图中：图1是本专利技术实施例视频监控设备故障自动检测方法的流程图；图2是本专利技术实施例视频监控设备故障自动检测方法中CAE结构示意图；图3是本专利技术实施例微批量梯度下降算法流程图；图4是本专利技术实施例深层CNN的基本结构；图5是本专利技术实施例中并行运算效率对比图。具体实施方式为了使本专利技术的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本专利技术进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本专利技术，并不用于限定本专利技术。本专利技术实施例中，提供一种视频监控设备故障自动检测方法，如图1所示，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。卷积神经网络和卷积自编码器是并行结合在一起。卷积自编码器为无监督特征提取模型。进一步地，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％。同时，在卷积神经网络将CUDA并行运算的架构加入训练过程，将训练速度提高了1.1-1.2倍。进一步地，如图2所示，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。提出了5层自编码器结构，加入反池化层和反卷积层的本文档来自技高网...

【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