一种基于自编码神经网络的风机视觉检测系统技术方案

本发明专利技术公开了一种基于自编码神经网络的风机视觉检测系统，对无人机航拍视频中的部分帧风机图像进行预处理，组成风机视觉检测的训练样本集和测试样本集，构建自编码神经网络，将训练集中的正负样本分别放入自编码器中进行预训练，以计算得到的激活量代替原始输入，形成新的样本特征集，再把新的特征向量输入到建立的BP神经网络中进行训练，得到风机的二分类器，继而将测试集中的样本图片放到分类器中进行测试，利用随机滑动窗口的方法寻找包含风机的区域，并通过非极大值抑制筛选得到最终风机检测区域；本发明专利技术可以广泛应用于模式识别以及风力发电的智能巡检等领域。

A wind machine vision detection system based on self coding neural network

The invention discloses a wind machine vision detection system based on neural network self coding, on the part of the fan frame image of UAV aerial video of the pretreatment, composition of the training sample set of visual fan detection and test sample set, constructing autoencoder neural networks, the positive and negative samples in the training set are put out pre training from the encoder, to activate the amount calculated instead of the original input, the formation of the new features of the sample set, then the new feature vector input to the BP neural network for training, get the fan two classifier, then samples image into the classifier was tested for including fan the area using the method of random sliding window, and the non maximum suppression screening to obtain the final fan detection area; the invention can be widely used in pattern recognition and wind The intelligent inspection of power generation and other fields.

【技术实现步骤摘要】
一种基于自编码神经网络的风机视觉检测系统
本专利技术涉及一种风机视觉检测系统。
技术介绍
风电机组所处区域通常为滩涂或近海，分布范围广，周围工况复杂，工作环境恶劣，仅靠人力的巡检手段很难保证工作人员的效率和安全，再加之风电机组的装机容量逐年扩大，这无疑会为风电机组的状态监测和优化维修增加难度。因此，需要通过无人机技术对风电机组的运行状态进行航拍监控，采用计算机技术实现对风电机组的视觉检测，提高风机检测的可靠性。近年来国内外学者开展了诸多风机识别方面的研究工作，主要是利用声发射技术和红外热成像技术完成风机的健康监测，基于人工神经网络的研究仍然很少。
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具备准确性与可靠性的基于自编码神经网络的风机视觉检测系统。本专利技术为了解决上述技术问题采用以下技术方案：本专利技术设计了一种基于自编码神经网络的风机视觉检测系统，实时执行如下步骤，针对无人机航拍视频运用自编码神经网络实现风机的识别；步骤1)读取无人机航拍视频中的部分帧风机图像，经人工筛选建立风机样本数据库，将图像库中的所有图片缩放成预定大小的灰度图，并对其进行灰度直方图均衡化，进而获得风机的本文档来自技高网...

【技术保护点】
一种基于自编码神经网络的风机视觉检测系统，其特征是：基于自编码器训练神经网络，实时执行如下步骤，针对无人机航拍视频所获风机图像构建自编码神经网络实现风机视觉检测：步骤1)读取无人机航拍视频中的部分帧风机图像，经人工筛选建立风机样本数据库，将图像库中的所有图片缩放成预定大小的灰度图，并对其进行灰度直方图均衡化，进而获得风机的训练样本集和测试样本集；步骤2)构建BP神经网络，BP神经网络包括四层：输入层、隐含层1、隐含层2和输出层，输入为归一化后的18*27的图片，输入层的神经元个数为486，隐含层的神经元数量选取为25，而输出层的节点数确定为2，用[1,0]代表正样本的期望输出，[0,1]代表负...

【技术特征摘要】
1.一种基于自编码神经网络的风机视觉检测系统，其特征是：基于自编码器训练神经网络，实时执行如下步骤，针对无人机航拍视频所获风机图像构建自编码神经网络实现风机视觉检测：步骤1)读取无人机航拍视频中的部分帧风机图像，经人工筛选建立风机样本数据库，将图像库中的所有图片缩放成预定大小的灰度图，并对其进行灰度直方图均衡化，进而获得风机的训练样本集和测试样本集；步骤2)构建BP神经网络，BP神经网络包括四层：输入层、隐含层1、隐含层2和输出层，输入为归一化后的18*27的图片，输入层的神经元个数为486，隐含层的神经元数量选取为25，而输出层的节点数确定为2，用[1,0]代表正样本的期望输出，[0,1]代表负样本的期望输出；步骤3)建立自编码器，分别对风机的正负样本集进行预训练，利用训练得到的模型参数和输入数据计算隐藏单元的激活量，以激活量代替原始输入更好地描述特征，其中模型参数包括输入层与隐含层的连接权重矩阵，偏置神经元连接权重向量，输出层与隐含层的连接权重矩阵；将正负样本集得到的结果进行整合，即合并权重矩阵，以此获取新的特征向量；步骤4)将预训练得到的新样本集输入到BP神经网络中再次进行训练，得到风机的二分类器；步骤5)将测试样本集中的待检测图片输入到4)训练好的BP神经网络中进行测试；步骤6)采用随机滑动窗口的方法对测试图片进行检测，每到一个位置，便会给出对于这个窗口是否包含风机区域的一个分数，若该分数高于设定的阈值0.8，即认为此滑动窗包含目标物体，以得到输入图片中所有包含风机的区域，用矩形框圈定这些区域，并记录下当前窗口的位置信息和对应的分数；步骤7)由步骤6)中的随机滑动窗口的边界位置确定包含风机区域的最远距离和风机的中心点，根据随机滑动窗口偏离中心位置的距离大小标记滑动窗，将距离少于窗口边长1/5的随机窗口标记为中心窗，将距离大于等于窗口边长1/5的滑动窗标记为边沿窗；步骤8)计算步骤6)中每个包含风机的区域对应的随机滑动窗的联合概率密度P，舍去与中心窗联合概率密度小于0.5的边沿窗，即完成对包含风机的区域的初步筛选工作；步骤9)根据步骤6)记录的分数对剩下的随机滑动窗进行非极大值抑制，在窗口相互重叠的局部区域内选出分数最高的极大值代表窗口，以此作为最终的风机检测区域。2.根据权利要求1所述一种基于自编码神经网络的风机视觉检测系统，其特征是：步骤3)是通过构建自编码神经网络对正负样本集进行预训练；将正负样本集放入自编码器中进行训练，在...

【专利技术属性】
技术研发人员：徐一鸣，张娟，顾菊平，陆观，刘成成，徐星，华亮，陈峰，朱建红，
申请(专利权)人：南通大学，
类型：发明
国别省市：江苏,32