CN106096584A - 可拓展的基于深度卷积神经网络的间隔棒识别方法 - Google Patents

可拓展的基于深度卷积神经网络的间隔棒识别方法 Download PDF

Info

Publication number
CN106096584A
CN106096584A CN201610492968.XA CN201610492968A CN106096584A CN 106096584 A CN106096584 A CN 106096584A CN 201610492968 A CN201610492968 A CN 201610492968A CN 106096584 A CN106096584 A CN 106096584A
Authority
CN
China
Prior art keywords
represent
degree
neural networks
size
convolutional neural
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN201610492968.XA
Other languages
English (en)
Inventor
王蒙
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shenzhen Geshi Intelligent Technology Co Ltd
Original Assignee
Shenzhen Geshi Intelligent Technology Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Shenzhen Geshi Intelligent Technology Co Ltd filed Critical Shenzhen Geshi Intelligent Technology Co Ltd
Priority to CN201610492968.XA priority Critical patent/CN106096584A/zh
Publication of CN106096584A publication Critical patent/CN106096584A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G06V20/13—Satellite images
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02G—INSTALLATION OF ELECTRIC CABLES OR LINES, OR OF COMBINED OPTICAL AND ELECTRIC CABLES OR LINES
    • H02G1/00—Methods or apparatus specially adapted for installing, maintaining, repairing or dismantling electric cables or lines
    • H02G1/02—Methods or apparatus specially adapted for installing, maintaining, repairing or dismantling electric cables or lines for overhead lines or cables

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • General Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Health & Medical Sciences (AREA)
  • Astronomy & Astrophysics (AREA)
  • Remote Sensing (AREA)
  • Image Analysis (AREA)

Abstract

本专利公开了一种可拓展的基于深度卷积神经网络的间隔棒识别分类方法。主要分为：进行深度神经网络结构的拓展、对深度卷积神经网络分类器进行离线训练、对深度卷积神经网络进行在线分类。本发明采用：可拓展的间隔棒分类类别和网络层数的深度神经网络结构、基于深度卷积神经网络的间隔棒特征自学习方法、基于深度卷积神经网络的间隔棒检测分类器结构框架。本发明采用的用于间隔棒识别的系统能够有较好的拓展性，能够在不同场合下，根据实际情况对于类别的个数进行拓展。

Description

可拓展的基于深度卷积神经网络的间隔棒识别方法
技术领域
本发明涉及智能视频监控领域，尤其是一种可拓展的基于深度卷积神经网络的间隔棒识别方法领域。
背景技术
随着近几年国民经济的迅猛发展，我国配电线路公里数同比不断增加。由于配电线路设备大多暴露在野外环境运行，气象条件复杂、现场环境多变，导线、避雷线、绝缘子、金具在长时间运行后，由于各种力的长期作用，可能发生断股、锈蚀、过热等情况。过去依靠人工逐基杆塔巡视的作业方法，巡视工作量大、复杂的地理环境给巡视人员带来未知的安全风险、结构繁杂的铁塔的验收勘察，过去落后的人工巡检方式消耗了大量的人力和资源，使得更多深入的工作无法有效展开。
因此，采用基于无人机巡视和配合智能分析，机器学习的视频巡线技术是未来发展的方向，而间隔棒识别作为无人机巡线技术的一个重要应用，是我们重点解决的技术难点。
传统的视频间隔棒识别系统的传统流程包括：图像获取、特征提取、分类器判别三个步骤。在特征提取方面，HOG算子、LBP算子、SIFT等方法用于对图像的特征进行提取。但是，每一种特征算子都有自己的应用范围，没有一种算法可以同时处理智能监控视频中的光照、外观和尺寸大幅变化的问题；关于分类器，SVM、神经网络、贝叶斯分类器等理论在图像分类领域广泛应用。其中，对于小间隔棒样本、类内差异比较小的图片集，使用SVM能够取得比较好的效果，但是，对于无人机拍摄的电力线路巡线监控视频中的间隔棒这样的多种型号形状差异巨大的类内差异大，数据量多的图片集，SVM并不能取得很好的效果。监控视频中间隔棒本身具有复杂性和多变性，因此采用传统的分类器方法难以达到较高的分类正确率。那么为了准确的判断某一图片所属类别，需要对大量间隔棒样本进行学习，以提高系统的正确识别率。近两年，基于深度学习的图片分类技术，在大间隔棒样本的数据集上取得了巨大成功。同时，由于监控视频中物体的多样性，在不同的需求下，需要按照不同的类别进行分类，这就要求了用于间隔棒识别的系统能够有较好的拓展性，能够在不同的场合下，根据实际情况对于类别的个数进行拓展。
因此，如何设计出一种可拓展的基于深度卷积神经网络的间隔棒识别方法，成为新的研究方向。
发明内容
为解决背景技术问题，本发明公开了一种可拓展的基于深度卷积神经网络的间隔棒识别分类方法。
本发明采用的方案为：一种可拓展的基于深度卷积神经网络的间隔棒识别方法，其特征在于，包括：进行深度神经网络结构的拓展、对深度卷积神经网络分类器进行离线训练、对深度卷积神经网络进行在线分类。
进一步地，所述间隔棒识别方法的步骤为：
S101，进行深度卷积网络结构的拓展；
S1011，通过计算间隔棒样本集的类内差异性和类间差异性，根据预设的经验阈值，判断当前网络层数是否能够满足要求，如果不满足，自动调整网络的层数；
S1012，根据任务的需求，对卷积神经网络的输出类别个数进行拓展；
S102，对深度卷积神经网络分类器进行离线训练；
S1021，对深度卷积神经网络进行初始化：独立初始化若干个卷积层；
S1022，读取离线训练间隔棒样本集；
S1023，使用BP算法训练深度卷积神经网络；
S103，对深度卷积神经网络进行在线识别分类；
S1031，对深度卷积神经网络初始化；
S1032，读取离线训练过程中保存的深度卷积神经网络模型参数；
S1033，读取在线测试的间隔棒样本；
S1034，自适应学习适用于间隔棒识别的特征；
S1035，深度神经网络模型前向传递计算.....；
S1036，输出测试间隔棒样本类别。
进一步地，所述S102使用BP算法训练深度卷积神经网络的步骤为：
S1021，接收来自所述训练图像集的图像间隔棒样本；
S1022，设置BP算法的学习速率和迭代次数；
S1023，前向传递计算实际输出；
A.将图片大小归一化为n0*n0大小；
B.将图片转换为灰度图像；
C.图片通过第一卷积层，使用k1个大小为c1*c1的卷积模板去对输入图片进行卷积，形成k1个大小为n1*n1的细节特征图，可以使用下面的式子表示卷积的过程：；
其中，yj表示第j个输出特征图，bj表示第j个特征图的偏置，kij表示第j个卷积模板的第i个元素，xi表示第i个输入特征值图，在一个卷积层，表示输入图片，在其他卷积层，表示前一层Pooling层得到的输出特征图；
D.k1幅特征图通过大小为p1*p1的第一Pooling层maxpooling的降采样，形成k1个n2*n2的细节特征图。下采样的过程可以用下面的式子表示：；
其中，yj表示第j个输出特征图，bj表示第j个特征图的偏置，xi表示第i个输入特征值图(即为卷积层的输出特征图)，down表示下采样的过程，这里采用最大值下采样，f表示激活函数；
E.k1幅细节特征图通过卷积模板大小为c2*c2的第二卷积层，形成k2个大小为n3*n3的高层次特征图；
F.k2幅高层次特征图通过大小为p2*p2的第二Pooling层maxpooling的降采样，形成k2个n4*n4的新高层次特征图；
G.k2幅新的高层次特征图通过卷积模板大小为c3*c3的第三卷积层，形成k3个n5*n5的高层次特征图；
H.k3幅新的高层次特征图通过大小为p3*p3的第三Pooling层maxpooling的降采样，形成k3幅n6*n6的特征向量；
I.新的k3幅n6*n6特征图像作为输入，fc1个神经节点作为隐藏层，2个基点作为输出层形成全连接网络层；
J.输出层输出计算结果；
ⅰ.计算实际输出与目标输出之差；
ⅱ.利用极小化误差方法方向传播调整权值；
S1024，判断是否达到训练次数；如果达到，进入步骤e，否则，返回步骤c；
S1025，保存深度卷积神经网络模型参数。
进一步地，所述S103对深度卷积神经网络进行在线分类的方法步骤为：
A.将图片大小归一化为n0*n0大小；
B.将图片转换为灰度图像；
C.图片通过第一卷积层，使用k1个大小为c1*c1的卷积模板去对输入图片进行卷积，形成k1个大小为n1*n1的细节特征图，可以使用下面的式子表示卷积的过程：；其中，yj表示第j个输出特征图，bj表示第j个特征图的偏置，kij表示第j个卷积模板的第i个元素，xi表示第i个输入特征值图，在一个卷积层，表示输入图片，在其他卷积层，表示前一层Pooling层得到的输出特征图；
D.k1幅特征图通过大小为p1*p1的第一Pooling层maxpooling的降采样，形成k1个n2*n2的细节特征图。下采样的过程可以用下面的式子表示：；其中，yj表示第j个输出特征图，bj表示第j个特征图的偏置，xi表示第i个输入特征值图(即为卷积层的输出特征图)，down表示下采样的过程，这里采用最大值下采样，f表示激活函数；
E.k1幅细节特征图通过卷积模板大小为c2*c2的第二卷积层，形成k2个大小为n3*n3的高层次特征图；
F.k2幅高层次特征图通过大小为p2*p2的第二Pooling层maxpooling的降采样，形成k2个n4*n4的新高层次特征图；
G.k2幅新的高层次特征图通过卷积模板大小为c3*c3的第三卷积层，形成k3个n5*n5的高层次特征图；
H.k3幅新的高层次特征图通过大小为p3*p3的第三Pooling层maxpooling的降采样，形成k3幅n6*n6的特征向量；
I.新的k3幅n6*n6特征图像作为输入，fc1个神经节点作为隐藏层，2个基点作为输出层形成全连接网络层；
J.输出层输出计算结果。
进一步地，所述S1034自适应学习适用于间隔棒识别的特征包括：
A.使用卷积操作对输入层进行特征提取；
B.使用Pooling操作增加对于上一步卷积操作得到的特征的旋转不变性和扭曲不变性，使得从数据集中进行自适应得到的特征能够有足够的不变性和鲁棒性。
本发明采用的用于间隔棒识别的系统能够有较好的拓展性，能够在不同场合下，根据实际情况对于类别的个数进行拓展。
附图说明
图1为本发明的训练流程图。
图2为本发明的识别流程图。
图3为深度卷积神经网络的前向过程图。
具体实施方式
本专利的方法主要分为四个部分：深度神经网络结构拓展、深度卷积神经网络分类器离线训练过程、深度神经网络在线分类过程以及适用于间隔棒识别的特征自适应学习方法。在深度神经网络结构拓展部分，主要是根据训练集的复杂程度和任务的要求，拓展卷积神经网络的层数和分类类别。在深度卷积神经网络分类器离线训练部分，主要根据神经网络结构拓展阶段设计的神经网络结构完成在离线状态下输入训练间隔棒样本集的类别特征自学习和深度卷积神经网络分类器模型参数的学习。深度神经网络在线分类过程部分主要利用离线训练部分学习好的分类器，对间隔棒测试间隔棒样本进行分类测试。在适用于间隔棒识别的特征自适应学习方法上，通过使用已经获得的数据集，本方法自动地从数据集中学习到能够用于间隔棒识别分类的特征。
1）深度卷积网络结构拓展（拓展卷积神经网络的层数和分类类别）
a)在原有的9层神经网络(含输入层)的基础上，通过计算间隔棒样本集的类内差异性和类间差异性，根据预设的经验阈值，判断当前网络层数是否能够满足要求，如果不满足，自动调整网络的层数。
b)根据任务对于类别的需求，在原来输出类别个数为两个的基础上，根据任务的具体需求，对卷积神经网络的输出类别个数进行拓展。
2)深度卷积神经网络离线训练过程，如图1所示流程。
具体步骤如下：以三层卷积神经网络为例。
a)初始深度卷积神经网络：独立初始化三个卷积层（均匀分布）。
b)离线读取训练间隔棒样本集。
c)使用BP算法训练深度卷积神经网络。
ⅰ.接收来自所述训练图像集的图像间隔棒样本。
ⅱ.设置BP算法的学习速率和迭代次数。
ⅲ.前向传递计算实际输出。
A.将图片大小归一化为n0*n0大小。
B.将图片转换为灰度图像。
C.图片通过第一卷积层，使用k1个大小为c1*c1的卷积模板去对输入图片进行卷积，形成k1个大小为n1*n1的细节特征图，可以使用下面的式子表示卷积的过程：
其中，yj表示第j个输出特征图，bj表示第j个特征图的偏置，kij表示第j个卷积模板的第i个元素，xi表示第i个输入特征值图，在一个卷积层，表示输入图片，在其他卷积层，表示前一层Pooling层得到的输出特征图。
D.k1幅特征图通过大小为p1*p1的第一Pooling层maxpooling的降采样，形成k1个n2*n2的细节特征图。下采样的过程可以用下面的式子表示：
其中，yj表示第j个输出特征图，bj表示第j个特征图的偏置，xi表示第i个输入特征值图(即为卷积层的输出特征图)，down表示下采样的过程，这里采用最大值下采样，f表示激活函数。
E.k1幅细节特征图通过卷积模板大小为c2*c2的第二卷积层，形成k2个大小为n3*n3的高层次特征图。
F.k2幅高层次特征图通过大小为p2*p2的第二Pooling层maxpooling的降采样，形成k2个n4*n4的新高层次特征图。
G.k2幅新的高层次特征图通过卷积模板大小为c3*c3的第三卷积层，形成k3个n5*n5的高层次特征图。
H.k3幅新的高层次特征图通过大小为p3*p3的第三Pooling层maxpooling的降采样，形成k3幅n6*n6的特征向量。
I.新的k3幅n6*n6特征图像作为输入，fc1个神经节点作为隐藏层，2个基点作为输出层形成全连接网络层。
J.输出层输出计算结果。
ⅳ.计算实际输出与目标输出之差。
ⅴ.利用极小化误差方法方向传播调整权值。
d)判断是否达到训练次数。如果达到，进入步骤e，否则，返回步骤c。
e)保存深度卷积神经网络模型参数。
3)深度卷积神经网络在线识别分类过程，流程如图2所示。
具体步骤如下：以三层卷积神经网络为例。
a)初始深度卷积神经网络。
b)读取离线训练过程中保存的深度卷积神经网络模型参数。
c)读取在线测试间隔棒样本。
d)深度神经网络模型前向传递计算，如图3所示。
A.将图片大小归一化为n0*n0大小。
B.将图片转换为灰度图像。
C.图片通过第一卷积层，使用k1个大小为c1*c1的卷积模板去对输入图片进行卷积，形成k1个大小为n1*n1的细节特征图，可以使用下面的式子表示卷积的过程：
其中，yj表示第j个输出特征图，bj表示第j个特征图的偏置，kij表示第j个卷积模板的第i个元素，xi表示第i个输入特征值图，在一个卷积层，表示输入图片，在其他卷积层，表示前一层Pooling层得到的输出特征图。
D.k1幅特征图通过大小为p1*p1的第一Pooling层maxpooling的降采样，形成k1个n2*n2的细节特征图。下采样的过程可以用下面的式子表示：
其中，yj表示第j个输出特征图，bj表示第j个特征图的偏置，xi表示第i个输入特征值图(即为卷积层的输出特征图)，down表示下采样的过程，这里采用最大值下采样，f表示激活函数。
E.k1幅细节特征图通过卷积模板大小为c2*c2的第二卷积层，形成k2个大小为n3*n3的高层次特征图。
F.k2幅高层次特征图通过大小为p2*p2的第二Pooling层maxpooling的降采样，形成k2个n4*n4的新高层次特征图。
G.k2幅新的高层次特征图通过卷积模板大小为c3*c3的第三卷积层，形成k3个n5*n5的高层次特征图。
H.k3幅新的高层次特征图通过大小为p3*p3的第三Pooling层maxpooling的降采样，形成k3幅n6*n6的特征向量。
I.新的k3幅n6*n6特征图像作为输入，fc1个神经节点作为隐藏层，2个基点作为输出层形成全连接网络层。
J.输出层输出计算结果。
e)输出测试间隔棒样本类别。
4)适用于间隔棒识别的特征自适应学习方法。
a)使用卷积操作对输入层进行特征提取，同时，在提取的过程中，用于卷积操作的卷积核是通过数据集进行学习得到的。因此，对于间隔棒识别分类系统来说，特征是通过数据集进行自适应学习得到的。
b)使用Pooling操作增加对于上一步卷积操作得到的特征的旋转不变性和扭曲不变性，使得从数据集中进行自适应得到的特征能够有足够的不变性和鲁棒性。

Claims (5)

1.一种可拓展的基于深度卷积神经网络的间隔棒识别方法，其特征在于，包括：进行深度神经网络结构的拓展、对深度卷积神经网络分类器进行离线训练、对深度卷积神经网络进行在线分类。
2.根据权利要求1所述的间隔棒识别方法,其特征在于，所述 间隔棒识别方法的步骤为：
S101，进行深度卷积网络结构的拓展；
S1011，通过计算间隔棒样本集的类内差异性和类间差异性，根据预设的经验阈值，判断当前网络层数是否能够满足要求，如果不满足，自动调整网络的层数；
S1012，根据任务的需求，对卷积神经网络的输出类别个数进行拓展；
S102，对深度卷积神经网络分类器进行离线训练；
S1021，对深度卷积神经网络进行初始化：独立初始化若干个卷积层；
S1022，读取离线训练间隔棒样本集；
S1023，使用BP算法训练深度卷积神经网络；
S103，对深度卷积神经网络进行在线识别分类；
S1031，对深度卷积神经网络初始化；
S1032，读取离线训练过程中保存的深度卷积神经网络模型参数；
S1033，读取在线测试的间隔棒样本；
S1034，自适应学习适用于间隔棒识别的特征；
S1035，深度神经网络模型前向传递计算结果；
S1036，输出测试间隔棒样本类别。
3.根据权利要求1所述的间隔棒识别方法,其特征在于，所述S102使用BP算法训练深度卷积神经网络的步骤为：
S1021，接收来自所述训练图像集的图像间隔棒样本；
S1022，设置BP算法的学习速率和迭代次数；
S1023，前向传递计算实际输出；
A.将图片大小归一化为n0*n0大小；
B.将图片转换为灰度图像；
C.图片通过第一卷积层，使用k1个大小为c1*c1的卷积模板去对输入图片进行卷积，形成k1个大小为n1*n1的细节特征图，可以使用下面的式子表示卷积的过程：；
其中，yj表示第j个输出特征图，bj表示第j个特征图的偏置，kij表示第j个卷积模板的第i个元素，xi表示第i个输入特征值图，在一个卷积层，表示输入图片，在其他卷积层，表示前一层Pooling层得到的输出特征图；
D.k1幅特征图通过大小为p1*p1的第一Pooling层maxpooling的降采样，形成k1个n2*n2的细节特征图；
下采样的过程可以用下面的式子表示：；
其中，yj表示第j个输出特征图，bj表示第j个特征图的偏置，xi表示第i个输入特征值图(即为卷积层的输出特征图)，down表示下采样的过程，这里采用最大值下采样，f表示激活函数；
E.k1幅细节特征图通过卷积模板大小为c2*c2的第二卷积层，形成k2个大小为n3*n3的高层次特征图；
F.k2幅高层次特征图通过大小为p2*p2的第二Pooling层maxpooling的降采样，形成k2个n4*n4的新高层次特征图；
G.k2幅新的高层次特征图通过卷积模板大小为c3*c3的第三卷积层，形成k3个n5*n5的高层次特征图；
H.k3幅新的高层次特征图通过大小为p3*p3的第三Pooling层maxpooling的降采样，形成k3幅n6*n6的特征向量；
I.新的k3幅n6*n6特征图像作为输入，fc1个神经节点作为隐藏层，2个基点作为输出层形成全连接网络层；
J.输出层输出计算结果；
ⅰ.计算实际输出与目标输出之差；
ⅱ.利用极小化误差方法方向传播调整权值；
S1024，判断是否达到训练次数；如果达到，进入步骤e，否则，返回步骤c；
S1025，保存深度卷积神经网络模型参数。
4.根据权利要求1所述的间隔棒识别方法，其特征在于，所述S103对深度卷积神经网络进行在线分类的方法步骤为：
A.将图片大小归一化为n0*n0大小；
B.将图片转换为灰度图像；
C.图片通过第一卷积层，使用k1个大小为c1*c1的卷积模板去对输入图片进行卷积，形成k1个大小为n1*n1的细节特征图，可以使用下面的式子表示卷积的过程：；其中，yj表示第j个输出特征图，bj表示第j个特征图的偏置，kij表示第j个卷积模板的第i个元素，xi表示第i个输入特征值图，在一个卷积层，表示输入图片，在其他卷积层，表示前一层Pooling层得到的输出特征图；
D.k1幅特征图通过大小为p1*p1的第一Pooling层maxpooling的降采样，形成k1个n2*n2的细节特征图；
下采样的过程可以用下面的式子表示：；其中，yj表示第j个输出特征图，bj表示第j个特征图的偏置，xi表示第i个输入特征值图(即为卷积层的输出特征图)，down表示下采样的过程，这里采用最大值下采样，f表示激活函数；
E.k1幅细节特征图通过卷积模板大小为c2*c2的第二卷积层，形成k2个大小为n3*n3的高层次特征图；
F.k2幅高层次特征图通过大小为p2*p2的第二Pooling层maxpooling的降采样，形成k2个n4*n4的新高层次特征图；
G.k2幅新的高层次特征图通过卷积模板大小为c3*c3的第三卷积层，形成k3个n5*n5的高层次特征图；
H.k3幅新的高层次特征图通过大小为p3*p3的第三Pooling层maxpooling的降采样，形成k3幅n6*n6的特征向量；
I.新的k3幅n6*n6特征图像作为输入，fc1个神经节点作为隐藏层，2个基点作为输出层形成全连接网络层；
J.输出层输出计算结果。
5.根据权利要求1所述的间隔棒识别方法,其特征在于，所述S1034自适应学习适用于间隔棒识别的特征包括：
A.使用卷积操作对输入层进行特征提取；
B.使用Pooling操作增加对于上一步卷积操作得到的特征的旋转不变性和扭曲不变性，使得从数据集中进行自适应得到的特征能够有足够的不变性和鲁棒性。
CN201610492968.XA 2016-06-29 2016-06-29 可拓展的基于深度卷积神经网络的间隔棒识别方法 Pending CN106096584A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201610492968.XA CN106096584A (zh) 2016-06-29 2016-06-29 可拓展的基于深度卷积神经网络的间隔棒识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201610492968.XA CN106096584A (zh) 2016-06-29 2016-06-29 可拓展的基于深度卷积神经网络的间隔棒识别方法

Publications (1)

Publication Number Publication Date
CN106096584A true CN106096584A (zh) 2016-11-09

Family

ID=57213720

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201610492968.XA Pending CN106096584A (zh) 2016-06-29 2016-06-29 可拓展的基于深度卷积神经网络的间隔棒识别方法

Country Status (1)

Country Link
CN (1) CN106096584A (zh)

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106817256A (zh) * 2017-01-10 2017-06-09 北京国电通网络技术有限公司 一种分布式系统网络资源运维管理可靠性提升方法
CN106874929A (zh) * 2016-12-28 2017-06-20 诸暨市奇剑智能科技有限公司 一种基于深度学习的珍珠分类方法
CN106960186A (zh) * 2017-03-17 2017-07-18 王宇宁 基于深度卷积神经网络的弹药识别方法
CN108154072A (zh) * 2016-12-02 2018-06-12 天津工业大学 基于深度卷积神经网络的航拍绝缘子故障自动检测
CN109344904A (zh) * 2018-10-16 2019-02-15 杭州睿琪软件有限公司 生成训练样本的方法、系统及存储介质
CN109359560A (zh) * 2018-09-28 2019-02-19 武汉优品楚鼎科技有限公司 基于深度学习神经网络的图表识别方法、装置及设备
CN113724151A (zh) * 2021-07-30 2021-11-30 荣耀终端有限公司 一种图像增强方法、电子设备和计算机可读存储介质

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103177241A (zh) * 2013-02-06 2013-06-26 华北电力大学 利用视频图像处理技术定位输电线路间隔棒的方法
CN104217214A (zh) * 2014-08-21 2014-12-17 广东顺德中山大学卡内基梅隆大学国际联合研究院 基于可配置卷积神经网络的rgb-d人物行为识别方法
CN104239899A (zh) * 2014-09-10 2014-12-24 国家电网公司 一种用于无人机巡检的输电线路间隔棒识别方法
CN104463194A (zh) * 2014-11-04 2015-03-25 深圳市华尊科技有限公司 一种人车分类方法及装置
CN105224951A (zh) * 2015-09-30 2016-01-06 深圳市华尊科技股份有限公司 一种车型分类方法及分类装置

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103177241A (zh) * 2013-02-06 2013-06-26 华北电力大学 利用视频图像处理技术定位输电线路间隔棒的方法
CN104217214A (zh) * 2014-08-21 2014-12-17 广东顺德中山大学卡内基梅隆大学国际联合研究院 基于可配置卷积神经网络的rgb-d人物行为识别方法
CN104239899A (zh) * 2014-09-10 2014-12-24 国家电网公司 一种用于无人机巡检的输电线路间隔棒识别方法
CN104463194A (zh) * 2014-11-04 2015-03-25 深圳市华尊科技有限公司 一种人车分类方法及装置
CN105224951A (zh) * 2015-09-30 2016-01-06 深圳市华尊科技股份有限公司 一种车型分类方法及分类装置

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108154072A (zh) * 2016-12-02 2018-06-12 天津工业大学 基于深度卷积神经网络的航拍绝缘子故障自动检测
CN106874929A (zh) * 2016-12-28 2017-06-20 诸暨市奇剑智能科技有限公司 一种基于深度学习的珍珠分类方法
CN106874929B (zh) * 2016-12-28 2020-03-17 浙江诸暨会智科技有限公司 一种基于深度学习的珍珠分类方法
CN106817256A (zh) * 2017-01-10 2017-06-09 北京国电通网络技术有限公司 一种分布式系统网络资源运维管理可靠性提升方法
CN106817256B (zh) * 2017-01-10 2020-10-27 北京中电普华信息技术有限公司 一种分布式系统网络资源运维管理可靠性提升方法
CN106960186A (zh) * 2017-03-17 2017-07-18 王宇宁 基于深度卷积神经网络的弹药识别方法
CN109359560A (zh) * 2018-09-28 2019-02-19 武汉优品楚鼎科技有限公司 基于深度学习神经网络的图表识别方法、装置及设备
CN109344904A (zh) * 2018-10-16 2019-02-15 杭州睿琪软件有限公司 生成训练样本的方法、系统及存储介质
CN113724151A (zh) * 2021-07-30 2021-11-30 荣耀终端有限公司 一种图像增强方法、电子设备和计算机可读存储介质

Similar Documents

Publication Publication Date Title
CN106096584A (zh) 可拓展的基于深度卷积神经网络的间隔棒识别方法
CN108140032B (zh) 用于自动视频概括的设备和方法
CN108664924B (zh) 一种基于卷积神经网络的多标签物体识别方法
CN109558942B (zh) 一种基于浅度学习的神经网络迁移方法
WO2019114523A1 (zh) 分类训练方法、服务器及存储介质
CA3040961C (en) Airport noise classification method and system
CN106408030B (zh) 基于中层语义属性和卷积神经网络的sar图像分类方法
CN110765882B (zh) 一种视频标签确定方法、装置、服务器及存储介质
CN107918767B (zh) 目标检测方法、装置、电子设备及计算机可读介质
CN104038792B (zh) 用于iptv监管的视频内容分析方法及设备
CN103745233B (zh) 基于空间信息迁移的高光谱图像分类方法
Zhang et al. 3D object retrieval with multi-feature collaboration and bipartite graph matching
US10163000B2 (en) Method and apparatus for determining type of movement of object in video
Tri et al. A novel framework based on deep learning and unmanned aerial vehicles to assess the quality of rice fields
Akiyama et al. Mobile Leaf Identification System using CNN applied to plants in Hokkaido
Guo et al. Foreign object detection of transmission lines based on faster R-CNN
CN104331711B (zh) 基于多尺度模糊测度与半监督学习的sar图像识别方法
Jinbo et al. Real-time object segmentation based on convolutional neural network with saliency optimization for picking
CN116977265A (zh) 缺陷检测模型的训练方法、装置、计算机设备和存储介质
CN113780335B (zh) 一种小样本商品图像分类方法、装置、设备及存储介质
CN115171211A (zh) 信道状态信息的动作和位置的联合估计方法
Zulkarnain et al. Fire Detection based on Smoke Image using Convolutional Neural Network (CNN)
Madhushree et al. Automatic weapon detection in video using deep learning
Liu et al. Tiny electronic component detection based on deep learning
CN112926368A (zh) 一种识别障碍物的方法和装置

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination