一种基于Faster R-CNN的设备故障检测方法技术

本发明专利技术涉及一种基于Faster R‑CNN的设备故障检测方法。该方法通过提取图片更深层次的表征特征，获得对应的特征图；然后使用固定的滑动窗口在特征图上自左向右、从上向下移动，通过卷积运算，获得目标候选区域框；然后对候选边框进行筛选处理，获得质量高、数量少的候选区域建议框；最后对这些候选区域建议框进行目标分类与目标位置边框回归。本发明专利技术方法通过筛选目标候选框，减少了预检测识别的候选框的数目，降低了计算复杂度，提高了候选区域的质量，提高了检测模型的识别准确率，另一方面，本发明专利技术方法在区域建议和目标分类与边框回归两部分共享卷积特征，大幅度地提升了检测识别的速度，通过相关实验验证了方法的有效性。

【技术实现步骤摘要】
一种基于FasterR-CNN的设备故障检测方法
本专利技术涉及深度学习在图像目标检测领域的应用，具体地说是一种基于FasterR-CNN的设备故障检测方法。
技术介绍
目标检测是计算机视觉的实际应用中重要的一个领域，不仅包括对目标物体的分类，还包含对目标物体的定位。传统目标检测方法主要包括目标特征提取、目标识别和目标定位三个部分，这里用到的特征都是人为设计的特征，如SIFT(尺度不变特征变换匹配算法)、HOG(方法梯度直方图特征)、SURF(加速稳健特征)等，通过这些特征对目标进行识别，然后在结合相应的策略对目标进行定位。这种方法受人为设计的特征影响较大，对各种复杂情景有较大的局限性。FasterR-CNN是深度学习在目标检测领域的经典算法，其核心是先假设目标区域，然后对其进行分类和筛选，能检测出图像中目标的种类和位置。FasterR-CNN算法就是该领域的一个经典之作，与另一个目标检测算法FastR-CNN相比，FasterR-CNN在PASCAVOC2007数据集上的准确率略有提高，图像的处理速度大幅度提高。在测试上，Fa本文档来自技高网...

【技术保护点】
1.一种基于Faster R-CNN的设备故障检测方法，其特征在于包括以下步骤：/n步骤1：采集设备的运行状况图片，随机分成样本集用于训练模型、待识别的图像用于模型检测；/n步骤2：对样本集中的图像进行标注处理获取故障图像目标标签信息，并存储为PASCALVOC 2007数据集，再分为训练集、验证集和测试集；/n步骤3：将标注的训练集中的图像输入VGG16网络提取目标特征，获得训练样本集对应的特征图；/n步骤4：使用区域建议网络RPN对特征图进行候选框建议，获得包含目标的感兴趣区域rois；/n步骤5：使用Fast R-CNN网络对感兴趣区域rois包含的目标进行类别分类和位置边框回归，对整个...

【技术特征摘要】
1.一种基于FasterR-CNN的设备故障检测方法，其特征在于包括以下步骤：
步骤1：采集设备的运行状况图片，随机分成样本集用于训练模型、待识别的图像用于模型检测；
步骤2：对样本集中的图像进行标注处理获取故障图像目标标签信息，并存储为PASCALVOC2007数据集，再分为训练集、验证集和测试集；
步骤3：将标注的训练集中的图像输入VGG16网络提取目标特征，获得训练样本集对应的特征图；
步骤4：使用区域建议网络RPN对特征图进行候选框建议，获得包含目标的感兴趣区域rois；
步骤5：使用FastR-CNN网络对感兴趣区域rois包含的目标进行类别分类和位置边框回归，对整个FasterR-CNN模型的网络参数进行微调，获得用于该设备状态检测的模型；
步骤6：用验证集和测试集中的图像进行验证和测试，当识别准确率高于预设阈值时确定当前模型为最终识别模型；
步骤7：将步骤1待识别的图像输入最终识别模型，获得每张待识别图像的各个目标的类别信息和位置坐标信息，判断该目标设备是否运行异常，若是，通知工作人员进行故障维修。


2.根据权利要求1所述的一种基于FasterR-CNN的设备故障检测方法，其特征在于，所述图片格式为JPG格式。


3.根据权利要求1所述的一种基于FasterR-CNN的设备故障检测方法，其特征在于，所述对样本集中的图像进行标注处理获取故障图像目标标签信息，并存储为PASCALVOC2007数据集包括：
对样本集的图像的名称进行归一化命名并存储；
使用图片标注工具LabelImg对每张图片标注其中目标的类别信息，生成相对应的标注信息文件：图片名称、各个目标的类别信息和位置坐标信息。


4.根据权利要求1所述的一种基于FasterR-CNN的设备故障检测方法，其特征在于，所述训练集train、验证集val和测试集test包含图像数量的比例为1:1:2。


5.根据权利要求1所述的一种基于FasterR-CNN的设备故障检测方法，其特征在于，所述步骤4包括：
步骤4.1：采用3种不同类型的滑动窗口anchor配合3种缩放尺度处理特征图；
步骤4.2：筛选滑动窗口anchor中的图像获取正样本和负样本；
步骤4.3：对于每一幅特征图，计算其对应的滑动窗口anchor属于前景的概率，以及该窗口与实际标注边框的偏移量；
步骤4.4：...

【专利技术属性】
技术研发人员：马元婧，王宁，高露，苏谟，周晓磊，马慧敏，
申请(专利权)人：中国科学院沈阳计算技术研究所有限公司，
类型：发明
国别省市：辽宁;21