【技术实现步骤摘要】
一种基于卷积神经网络的电缆隧道异常检测方法
本专利技术涉及电缆隧道异常检测方法领域,尤其是基于卷积神经网络的电缆隧道异常检测方法。
技术介绍
目前在做隧道异常检测时,需要巡检机器人在图一位置同意角度进行拍摄,然后提取图像特征,根据两幅图像对应特征的差异度来判断当前巡检拍摄图像是否为异常图像;一般高压电缆隧道长度在5-10公里,巡检机器人的行驶速度通常为1米/秒,跑完全程需要数小时,采用拍照的方式来对全隧道进行监控,那么行进速度会大打折扣,隧道监控的时效性就会受到很大的影响,而且目前巡检机器人采集可见光数据的主要方式还是录制视频,所以如果能够直接对视频进行分析处理是最理想的。
技术实现思路
为解决上述问题,本专利技术提供一种基于卷积神经网络的电缆隧道异常检测方法,可以将录制的视频转换成图像后,再使用卷积神经网络技术进行异常分析检测。为解决上述技术问题,本专利技术的实施例提供一种基于卷积神经网络的电缆隧道异常检测方法,包括训练阶段和测试阶段,在所述训练阶段可以将标准图像a输入卷积神经网络训练,获取模型A;在所述测试阶段,使用日常巡检图像样本b输入模型A,获取与之相对应的标准图像a,如果图像b与图像a一样或者接近,则为正常数据,否则为异常数据,其步骤如下:(一)将标准视频转换为图像:从标准视频中提取图像序列,按固定时间段进行分类,每一图像类对应一个时间点,再从巡检视频中任取一幅图像,确定巡检图像与标准图像的对应关系,将视频转换为图像;(二)将切分好的标准图像输入到卷积神经网络进行 ...
【技术保护点】
1.一种基于卷积神经网络的电缆隧道异常检测方法,其特征在于,包括训练阶段和测试阶段,在所述训练阶段可以将标准图像a输入卷积神经网络训练,获取模型A;在所述测试阶段,使用日常巡检图像样本b输入模型A,获取与之相对应的标准图像a,如果图像b与图像a一样或者接近,则为正常数据,否则为异常数据,其步骤如下:/n(一)将标准视频转换为图像:从标准视频中提取图像序列,按固定时间段进行分类,每一图像类对应一个时间点,再从巡检视频中任取一幅图像,确定巡检图像与标准图像的对应关系,将视频转换为图像;/n(二)将切分好的标准图像输入到卷积神经网络进行训练:所述卷积神经网络包括输入层、卷积层、池化层、全连接层和输出层,所述卷积层与池化层组成多个卷积组,逐层提取特征,通过若干个全连接层完成分类;/n其训练过程如下:/n将标准图像输入所述卷积组;/n更新训练参数;/n从所述标准图像数据中获得每次迭代需要使用的训练样本,对所述训练样本进行预处理后,作为模型A的输入;/n采用随机梯度下降法交替优化,更新各部分权值,直至迭代结束;/n获得异常判别阈值/n(三)将日常巡检图像输入到训练好的卷积神经网络中:可得到相同于划 ...
【技术特征摘要】
1.一种基于卷积神经网络的电缆隧道异常检测方法,其特征在于,包括训练阶段和测试阶段,在所述训练阶段可以将标准图像a输入卷积神经网络训练,获取模型A;在所述测试阶段,使用日常巡检图像样本b输入模型A,获取与之相对应的标准图像a,如果图像b与图像a一样或者接近,则为正常数据,否则为异常数据,其步骤如下:
(一)将标准视频转换为图像:从标准视频中提取图像序列,按固定时间段进行分类,每一图像类对应一个时间点,再从巡检视频中任取一幅图像,确定巡检图像与标准图像的对应关系,将视频转换为图像;
(二)将切分好的标准图像输入到卷积神经网络进行训练:所述卷积神经网络包括输入层、卷积层、池化层、全连接层和输出层,所述卷积层与池化层组成多个卷积组,逐层提取特征,通过若干个全连接层完成分类;
其训练过程如下:
将标准图像输入所述卷积组;
更新训练参数;
从所述标准图像数据中获得每次迭代需要使用的训练样本,对所述训练样本进行预处理后,作为模型A的输入;
采用随机梯度下降法交替优化,更新各部分权值,直至迭代结束;
获得异常判别阈值
(三)将日常巡检图像输入到训练好的卷积神经网络中:可得到相同于划分好的标准图像时间段的巡检图像;
(四)比较两幅图像并找出差异:找到与巡检图像相对应的标准图像后,通过图像配准方法找出两幅图像的映射关系,再做差值,如果差值大于所述异常判别阈值,即可视为异常。
2.根据权利要求1所述的一种基于卷积神经网络的电缆隧道异常检测方法,其特...
【专利技术属性】
技术研发人员:张明,王宏飞,姜明武,
申请(专利权)人:苏州光格科技股份有限公司,
类型:发明
国别省市:江苏;32
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。