本发明专利技术公开了一种基于神经网络图像分类算法的设备状态反馈方法及系统，应用在交通监控系统，包括：图片获取，获取原始图片集和待检测设备图片，原始图片集为含有若干不同状态的设备图片；原始图片集划分，将原始图片集划分为训练集和验证集；生成训练模型，将训练集输入至神经网络图像分类算法进行训练并得到训练模型；设备图片检测，将待检测设备图片输入至训练模型，训练模型输出分类结果；设备状态判断，根据分类结果判断待检测设备图片对应的待检测设备的设备状态，并将设备状态发送至运维管理平台。本发明专利技术可同时对数以万计的交通监控设备进行状态检测，使对于交通监控设备的检测不再有局限性，也提高了检测结果的精准率，节省大量人力成本。节省大量人力成本。节省大量人力成本。
【技术实现步骤摘要】
一种基于神经网络图像分类算法的设备状态反馈方法及系统
[0001]本专利技术涉及设备状态反馈领域，尤其涉及基于神经网络图像分类算法的设备状态反馈方法及系统。
技术介绍
[0002]随着经济的发展，每个城市的车辆保有量也在逐年增加，因此对于车辆的监控也比较重要，目前交通部门在各个路段都安装有交通监控设备，对于如此多的交通监控设备日常的运行状态的监控是交通部门所要做的重要工作之一，目前对于交通部门投放的交通监控设备的监控还是处于人工根据得到的监控图片对交通监控设备进行判断是否发生故障。传统的对于交通监控设备的监控判断具有很大局限性，而且增加了很大的人力成本，而且监控判断的结果的准确性也不够高。
技术实现思路
[0003]为了克服现有技术的不足，本专利技术的目的之一在于提供基于神经网络图像分类算法的设备状态反馈方法，其能解决传统的对于交通监控设备的监控判断具有很大局限性，而且增加了很大的人力成本，而且监控判断的结果的准确性也不够高的问题。
[0004]本专利技术的目的之二在于提供基于神经网络图像分类算法的设备状态反馈系统，其能解决传统的对于交通监控设备的监控判断具有很大局限性，而且增加了很大的人力成本，而且监控判断的结果的准确性也不够高的问题。
[0005]本专利技术的技术方案如下：一种基于神经网络图像分类算法的设备状态反馈方法，应用在交通监控系统，其包括：图片获取，获取原始图片集和待检测设备图片，所述原始图片集为含有若干不同状态的设备图片；原始图片集划分，将所述原始图片集划分为训练集和验证集；生成训练模型，将所述训练集输入至神经网络图像分类算法进行训练并得到训练模型；设备图片检测，将所述待检测设备图片输入至所述训练模型，所述训练模型输出分类结果；设备状态判断，根据所述分类结果判断所述待检测设备图片对应的待检测设备的设备状态，并将所述设备状态发送至运维管理平台。
[0006]优选地，所述神经网络图像分类算法采用采用InceptionV1架构。
[0007]优选地，当所述设备状态为发生故障时，所述运维管理平台将所述设备状态采用短信方式发送至维保单位。
[0008]优选地，所述原始图片集划分之前还包括图像预处理，对所述原始图片集进行旋转处理、随机剪裁处理以及添加噪声处理。
[0009]优选地，在所述设备图片检测之前还包括模型验证，将所述验证集输入值所述训
练模型中，所述训练模型输出验证分类结果，若所述验证分类结果与所述验证集对应的预设验证集分类结果相同，则为验证合格，若所述验证分类结果与所述验证集对应的预设验证集分类结果不相同，则为验证不合格。
[0010]优选地，当所述分类结果为角度异常或色偏或树叶遮挡或黑屏时，所述设备状态为发生故障。
[0011]优选地，所述原始图片集包括若干原始图片，随机选取所述原始图片集中的80％的原始图片作为训练集，将所述原始图片集中的剩余20％的原始图片作为验证集。
[0012]一种基于神经网络图像分类算法的设备状态反馈系统，应用在交通监控系统，其包括：图片获取模块，所述图片获取模块用于获取原始图片集和待检测设备图片，所述原始图片集为含有若干不同状态的设备图片；原始图片集划分模块，所述原始图片集划分模块用于将所述原始图片集划分为训练集和验证集；训练模型生成模块，所述训练模型生成模块用于将所述原始图片集划分为训练集和验证集；设备图片检测模块，所述设备图片检测模块用于将所述待检测设备图片输入至所述训练模型，所述训练模型输出分类结果；设备状态判断模块，所述设备状态判断模块用于根据所述分类结果判断所述待检测设备图片对应的待检测设备的设备状态，并将所述设备状态发送至运维管理平台。
[0013]优选地，还包括图像预处理模块，所述图像预处理模块用于对所述原始图片集进行旋转处理、随机剪裁处理以及添加噪声处理。
[0014]优选地，还包括模型验证模块，所述模型验证模块用于将所述验证集输入值所述训练模型中，所述训练模型输出验证分类结果，若所述验证分类结果与所述验证集对应的预设验证集分类结果相同，则为验证合格，若所述验证分类结果与所述验证集对应的预设验证集分类结果不相同，则为验证不合格。
[0015]本专利技术的有益效果在于：可以同时对数以万计的交通监控设备进行状态检测，使对于交通监控设备的检测不再有局限性，同时也提高了检测结果的精准率，节省了大量的人力成本。
附图说明
[0016]图1为本专利技术的基于神经网络图像分类算法的设备状态反馈方法的流程图。
具体实施方式
[0017]下面结合附图对本专利技术做进一步描述，需要说明的是，在不相冲突的前提下，以下描述的各实施例之间或各技术特征之间可以任意组合形成新的实施例。
[0018]如图1所示，本专利技术的基于神经网络图像分类算法的设备状态反馈方法，应用于交通部门的交通监控系统上，具体包括以下步骤：图片获取，获取预先存储的原始图片集和待检测设备图片，原始图片集包括若干原始图片，本实施例中的原始图片主要为监控摄像头的图片，原始图片集中为不同状态下
的监控摄像头的图片，例如：角度异常、色偏、树叶遮挡、黑屏、位置正常等二十多类的图片；待检测设备图片为需要检测的监控摄像有的工作状态是的图片；图像预处理，对原始图片集中的原始图片采用旋转处理、随机剪裁处理以及添加噪声处理等方式进行扩增，最终图像的像素为224
×
224。
[0019]原始图片集划分，将原始图片集划分为训练集和验证集；本实施例中的原始图片集划分只是对于训练量的随机比例选取，并无特定性，随机选取原始图片集中的80％的原始图片作为训练集，将原始图片集中的剩余20％的原始图片作为验证集。
[0020]生成训练模型，将训练集输入至神经网络图像分类算法进行训练并得到训练模型；将上述的80％的原始图片作为训练集，并输入至神经网络图像分类算法进行训练，本实施例中在模型训练过程中，设定网络迭代次数为400000万次，经过10个小时的训练，得到了属性为42MB大小的训练模型；本实施例中的神经网络图像分类算法采用InceptionV1架构，InceptionV1为GoogleNet研发的一种卷积神经网络架构，InceptionV采用了模块化的结构，方便增添和修改；2012年，Alex等人将卷积神经网络应用到图像识别领域最大的数据库ImageNet上，将错误率降低为17％，使得神经网络在计算机视觉领域飞速发展，神经网络应用在图像分类显示出强大的分析能力。卷积神经网络最早是科学家通过观察猫的视觉神经细胞感知外界提出的，神经元细胞只会处理一小块区域的视觉图像，是卷积神经网络感受野的生物机制。神经网络包含卷积层、池化层、Softmax层、激活函数等操作，通过卷积层对图像特征进行提取，池化层减少参数量和冗余信息，激活函数层增加非线性映射，Softmax层最后输出分类类别；GoogleNet研发出了InceptionV1架构。
[0021]模型验证，将验证集输入值训练模型中，训练模型输出验证分类结果，若验证分本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种基于神经网络图像分类算法的设备状态反馈方法，应用在交通监控系统，其特征在于：其包括：图片获取，获取原始图片集和待检测设备图片，所述原始图片集为含有若干不同状态的设备图片；原始图片集划分，将所述原始图片集划分为训练集和验证集；生成训练模型，将所述训练集输入至神经网络图像分类算法进行训练并得到训练模型；设备图片检测，将所述待检测设备图片输入至所述训练模型，所述训练模型输出分类结果；设备状态判断，根据所述分类结果判断所述待检测设备图片对应的待检测设备的设备状态，并将所述设备状态发送至运维管理平台。2.根据权利要求1所述的一种基于神经网络图像分类算法的设备状态反馈方法，其特征在于：所述神经网络图像分类算法采用Inception V1架构。3.根据权利要求1所述的一种基于神经网络图像分类算法的设备状态反馈方法，其特征在于：当所述设备状态为发生故障时，所述运维管理平台将所述设备状态采用短信方式发送至维保单位。4.根据权利要求1所述的一种基于神经网络图像分类算法的设备状态反馈方法，其特征在于：所述原始图片集划分之前还包括图像预处理，对所述原始图片集进行旋转处理、随机剪裁处理以及添加噪声处理。5.根据权利要求1所述的一种基于神经网络图像分类算法的设备状态反馈方法，其特征在于：在所述设备图片检测之前还包括模型验证，将所述验证集输入值所述训练模型中，所述训练模型输出验证分类结果，若所述验证分类结果与所述验证集对应的预设验证集分类结果相同，则为验证合格，若所述验证分类结果与所述验证集对应的预设验证集分类结果不相同，则为验证不合格。6.根据权利要求1所述的一种基于神经网络图像分类算法的设备状态反馈方法，其特征在于：当所述分类结果为角度异常或色偏或树叶遮挡或黑...
【专利技术属性】
技术研发人员：陈宝才，边晶柯，陈翔，
申请(专利权)人：中翔科技杭州有限公司，
类型：发明
国别省市：
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。