一种基于卷积神经网络的电缆隧道异常检测方法技术

本发明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，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；本发明专利技术中的检测方法更加准确，便捷，适于推广。

【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：1）将标准图像输入所述卷积组；2）更新训练参数；3）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；4）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；5）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。其中，步骤（二）中的所述卷积神经网络模型的目标函数/损失函数如下：其中，n为样本数量，C为类的数目，xi为第i个样本的特征，yi为xi对应的类标签，Wj和bj为类j的权重及偏置；其中，所述损失函数可以估量模型的预测值与真实值的不一致程度，标准图像输入网络经过迭代运算后得到的分类数据与期望的数据误差小于异常判别阈值，则代表网络训练成功；其中，步骤（二）中的所述训练参数包括最小批次值Nbatch、最大迭代次数M、卷积和反卷积网络的层数以及每层网络的特征图数量。优选地，所述卷积神经网络为三维卷积神经网络，所述三维卷积神经网络的输入层接收四维数组。其中，所述步骤（二）中的卷积层中的神经元对应的权重是固定的。其中，所述步骤（二）中池化层可以进行最大值池化和平均值池化。优选地，所述步骤（一）中的视频切分的时长为5秒。本专利技术的上述技术方案的有益效果如下：1、本专利技术中，只要隧道内有新的物体或异常情况出现，就能够被识别出来，而由于巡检机器人运动中拍摄导致的位置和角度偏差不会影响识别结果，使检测更加智能化和准确；2、本专利技术中，可以将视频转换成图像再进行辨别，即巡检机器人只需要按照正常速度运行并拍摄视频即可完成对隧道整体的实时监控，节省了检测时间。附图说明图1为卷积神经网络结构图。附图标记说明：01、输入层；02、卷积层；03、池化层；04、全连接层；05、输出层。具体实施方式为使本专利技术要解决的技术问题、技术方案和优点更加清楚，下面将结合附图及具体实施例进行详细描述，显然，所描述的实施例仅仅是本专利技术的一部分实施例，而不是全部的实施例。如图1所示，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，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：卷积神经网络包括输入层01、卷积层02、池化层03、全连接层04和输出层05，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，即卷积神经网络通过卷积来模拟特征区分，并且通过卷积的权值共享及池化，来降低网络参数的数量级，最后通过传统神经网络完成分类等任务；其训练过程如下：1）将标准图像输入所述卷积组；2）更新训练参数；3）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；4）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；5）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。其中，步骤（二）中的所述卷积神经网络模型的目标函数/损失函数如下：其中，n为样本数量，C为类的数目，xi为第i个样本的特征，yi为xi对应的类标签，Wj和bj为类j的权重及偏置；其中，损失函数可以估量模型的预测值与真实值的不一致程度，标准图像输入网络经过迭代运算后得到的分类数据与期望的数据误差小于异常判别阈值，则代表网络训练成功；其中，步骤（二）中的训练参数包括最小批次值Nbatch、最大迭代次数M、卷积和反卷积网络的层数以及每层网络的特征图数量。优选地，卷积神经网络为三维卷积神经网络，所述三维卷积神经网络的输入层接收四维数组。其中，步骤（二）中的卷积层中的神经元对应的权重是固定的。其中，步骤（二）中池化层可以进行最大值池化和平均值池化。优选地，步骤（一）中的视频切分的时长为5秒。以上所述是本专利技术的优选实施方式，但本专利技术的保护范围并不局限于此，任何熟悉本
的技术人员在本专利技术揭露的技术范围内，根据本专利技术的技术方案及其专利技术构思加以等同替换或改变，都应涵盖在本专利技术的保护范围之内。本文档来自技高网...

【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：可得到相同于划分好的标准图像时间段的巡检图像；/n（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。/n...

【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