【技术实现步骤摘要】
本专利技术属于自动化机器学习及网线检测，具体涉及一种基于ai自动化机器学习的网线检测方法及其检测系统。
技术介绍
1、随着计算机及通信技术的发展，网络已经成为现代社会的重要基础设施之一，它在各个领域中发挥着重要的作用。在任何网络环境中，网络的稳定性和可靠性都是非常重要的，网络故障和损坏会导致网络中断、数据丢失、业务中断等问题。
2、网络布线是实现网络连接的重要环节，而由于网络布线环境、设备和人为因素等原因，网络中时常存在着各种故障和损坏，如线缆松动、连接错误、线缆断裂等问题，这就需要进行不断的故障排查和修复。
3、传统的网络故障排查往往需要人工检测和分析，存在效率低下、准确性不高、成本较高等问题，而且人工检测不一定能够及时发现网络故障和损坏，这些问题给网络的安全和可靠性带来了很大的威胁。
技术实现思路
1、本专利技术针对传统手动网线检测方法存在的不稳定、不准确、耗时长等问题，提出了一种能够自动化地检测、分析和预测网线故障和损坏的技术解决方案，具有很高的检测准确性、检测速度快、实时性强、自动化诊断和易于使用等优点，减少误报和漏报。
2、具体的，本专利技术提供了一种基于ai自动化机器学习的网线检测方法，包括以下步骤：
3、s1、采集获取网线行使的视频图像；
4、s2、将步骤s1采集获取的视频图像进行预处理，所述预处理包括：
5、s21、对视频图像进行去噪处理，去除图像中的噪声；
6、s22、对视频图像进
7、s23、对去噪和增强对比度处理后的图像进行目标检测，找出图像中的网线；
8、s24、对检测到的网线进行特征提取，提取出网线布线的特征；所述特征包括网线运动、车道偏移、交通信号；
9、s3、将步骤s2预处理的视频图像输入到基于深度学习的机器学习模型中，利用深度学习算法对图像特征进行学习、分析、自动模型选择、自动参数调整，判断网线是否存在故障行为；
10、s4、将步骤s3的判断结果输出。
11、ai (artificial intelligence，人工智能)，是模拟人类智能思维和行为的计算机系统，包括机器学习、自然语言处理、计算机视觉等技术。automl(automated machinelearning，自动化机器学习)，是人工智能领域的一个分支，旨在通过自动化算法和工具，将传统的机器学习任务进行自动化处理。cd(cable detection，网线检测)，是指通过一定的技术和方法，检测网络连接线路是否正常，以及连接的状态。本专利技术采用了自动化机器学习技术和先进的预测算法，通过自动化地采集、清洗、特征提取和模型训练等步骤，能够自动地识别、分析和检测网线故障和损坏，提供实时的预警和保护措施，保障网络的稳定性和可靠性，具有很高的检测准确性、检测速度快、实时性强、自动化诊断和易于使用等优点。
12、作为上述基于ai自动化机器学习的网线检测方法的进一步说明，所述步骤s21是采用基于深度学习的去噪算法，将图像中的噪声去除，包括以下步骤：
13、s211、将视频图像输入到去噪算法中；
14、s212、去噪算法利用深度学习模型对图像进行学习和分析，找出图像中的噪声；
15、s213、去噪算法根据学习结果，对图像中的噪声进行去除。
16、作为上述基于ai自动化机器学习的网线检测方法的进一步说明，所述步骤s22是采用基于直方图均衡化的增强对比度算法，将图像的清晰度提高，包括以下步骤：
17、s221、将去噪后的视频图像输入到增强对比度算法中；
18、s222、增强对比度算法对视频图像进行直方图均衡化处理，提高图像的对比度。
19、作为上述基于ai自动化机器学习的网线检测方法的进一步说明，所述步骤s23是基于深度学习的目标检测算法，检测出图像中的网线，包括以下步骤：
20、s231、将增强对比度后的视频图像输入到目标检测算法中；
21、s232、目标检测算法利用深度学习模型对图像进行学习和分析，找出图像中的网线；
22、s233、目标检测算法根据学习结果，对图像中的网线进行标记。
23、作为上述基于ai自动化机器学习的网线检测方法的进一步说明，所述步骤s24是采用基于深度学习的特征提取算法，提取出网线布线的特征，包括以下步骤：
24、s241、将目标检测后的视频图像输入到特征提取算法中；
25、s242、特征提取算法利用深度学习模型对图像进行学习和分析，提取出网线布线的特征。
26、作为上述基于ai自动化机器学习的网线检测方法的进一步说明，所述深度学习模型采用多层次卷积和池化操作提取信号特征，增加非线性激活函数relu、sigmoid和dropout层；采用端到端训练方式、批量梯度下降（batch gradient descent）优化算法和使用验证集进行模型验证；采用数据增强（data augmentation）技术对训练数据进行随机旋转、平移、缩放操作，以及；采用了数据筛选（data selection）技术对数据进行预处理和筛选。
27、在现有技术中，深度学习算法已经被广泛应用于各种领域，包括图像处理、语音识别、自然语言处理等。其中，卷积神经网络（cnn）、循环神经网络(rnn)等均是常见的深度学习模型，被广泛应用于图像特征提取领域。然而，传统的深度学习模型存在一些问题，如无法有效提取复杂的空间特征、对噪声敏感等。
28、本专利技术重点采用了改进的卷积神经网络模型，该模型由多个卷积层、池化层和全连接层组成，通过多层次卷积和池化操作，从不同的层次和角度提取图像的特征信息。由于模型增加了卷积层和池化层的数量，从而增加了特征提取的层次和复杂度。相比传统的cnn模型，这种多层卷积和池化操作可以更好地捕捉图像中的空间特征和抽象特征，提高了特征提取的精度和鲁棒性。同时，该模型采用了新型的卷积核结构，该结构由多个小的卷积核组成，每个小卷积核都可以独立地进行卷积运算，这样可以更好地捕捉图像中的细节和纹理信息，提高了特征提取的精度和鲁棒性。并且，模型引入了非线性激活函数relu、sigmoid和dropout层，以增加模型的非线性表达能力，可以在一定程度上避免梯度消失问题，提高了模型的训练效果和鲁棒性。
29、该模型在训练方式上，采用了端到端训练方式，将整个去噪过程作为一个整体进行训练和优化，从而避免了传统去噪算法中需要手动设定多个参数的问题，提高了算法的效率和准确性。同时，还采用了批量梯度下降（batch gradient descent）等优化算法对模型进行优化，并使用验证集进行模型验证，保证了算法的鲁棒性和泛化性能。
30、该模式在数据处理方式上，采用了数据增强（data augmentation）技术，通过对训练数据进行随机旋转、平移、缩放等操作，增本文档来自技高网...
【技术保护点】
1.一种基于AI自动化机器学习的网线检测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于AI自动化机器学习的网线检测方法，其特征在于，所述步骤S21是采用基于深度学习的去噪算法，将图像中的噪声去除，包括以下步骤：
3.根据权利要求1所述的基于AI自动化机器学习的网线检测方法，其特征在于，所述步骤S22是采用基于直方图均衡化的增强对比度算法，将图像的清晰度提高，包括以下步骤：
4.根据权利要求1所述的基于AI自动化机器学习的网线检测方法，其特征在于，所述步骤S23是基于深度学习的目标检测算法，检测出图像中的网线，包括以下步骤：
5.根据权利要求1所述的基于AI自动化机器学习的网线检测方法，其特征在于，所述步骤S24是采用基于深度学习的特征提取算法，提取出网线布线的特征，包括以下步骤：
6.根据权利要求1-5任一所述的基于AI自动化机器学习的网线检测方法，其特征在于，所述深度学习模型采用多层次卷积和池化操作提取信号特征，增加非线性激活函数ReLU、Sigmoid和dropout层；采用端到端训练方式、批量梯度下
7.根据权利要求6所述的基于AI自动化机器学习的网线检测方法，其特征在于，所述步骤S1还采集获取网线的无线电波信号数据。
8.一种如权权利要求1-7任一所述的基于AI自动化机器学习的网线检测系统，其特征在于，包括：
...【技术特征摘要】
1.一种基于ai自动化机器学习的网线检测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于ai自动化机器学习的网线检测方法，其特征在于，所述步骤s21是采用基于深度学习的去噪算法，将图像中的噪声去除，包括以下步骤：
3.根据权利要求1所述的基于ai自动化机器学习的网线检测方法，其特征在于，所述步骤s22是采用基于直方图均衡化的增强对比度算法，将图像的清晰度提高，包括以下步骤：
4.根据权利要求1所述的基于ai自动化机器学习的网线检测方法，其特征在于，所述步骤s23是基于深度学习的目标检测算法，检测出图像中的网线，包括以下步骤：
5.根据权利要求1所述的基于ai自动化机器学习的网线检测方法，其特征在于，所述步骤s24是采用基于深度学习的特征提取算法，提取出网线布线的特征，包括以下...
【专利技术属性】
技术研发人员：唐继哲，黄芝茜，
申请(专利权)人：广西壮族自治区公众信息产业有限公司，
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。