CN109255345A - 一种基于卷积神经网络的电缆隧道铁锈识别方法 - Google Patents

一种基于卷积神经网络的电缆隧道铁锈识别方法 Download PDF

Info

Publication number
CN109255345A
CN109255345A CN201810952520.0A CN201810952520A CN109255345A CN 109255345 A CN109255345 A CN 109255345A CN 201810952520 A CN201810952520 A CN 201810952520A CN 109255345 A CN109255345 A CN 109255345A
Authority
CN
China
Prior art keywords
iron rust
neural networks
convolutional neural
cable tunnel
layer
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
CN201810952520.0A
Other languages
English (en)
Inventor
周自强
苏烨
陈波
尹峰
蔡钧宇
汪自翔
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.)
YINENG ELECTRIC TECHNOLOGY Co Ltd HANGZHOU
State Grid Corp of China SGCC
Electric Power Research Institute of State Grid Zhejiang Electric Power Co Ltd
Original Assignee
YINENG ELECTRIC TECHNOLOGY Co Ltd HANGZHOU
State Grid Corp of China SGCC
Electric Power Research Institute of State Grid Zhejiang Electric Power 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 YINENG ELECTRIC TECHNOLOGY Co Ltd HANGZHOU, State Grid Corp of China SGCC, Electric Power Research Institute of State Grid Zhejiang Electric Power Co Ltd filed Critical YINENG ELECTRIC TECHNOLOGY Co Ltd HANGZHOU
Priority to CN201810952520.0A priority Critical patent/CN109255345A/zh
Publication of CN109255345A publication Critical patent/CN109255345A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/22—Image preprocessing by selection of a specific region containing or referencing a pattern; Locating or processing of specific regions to guide the detection or recognition
    • 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
    • G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]

Landscapes

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

Abstract

本发明公开了一种基于卷积神经网络的电缆隧道铁锈识别方法。本发明采用的技术方案包括：采集电缆隧道铁锈样本图片；对需要识别的铁锈位置及范围进行确定；对采集到的电缆隧道铁锈样本图片进行预处理及图片缩放，将图片的长边尺寸变换为设定好的标准尺寸，将采集到的电缆隧道图片分为训练集和测试集；搭建卷积神经网络；利用训练集图片对搭建好的卷积神经网络进行训练，选择合适且足够的训练轮次，训练至方差达到预设的理想值；利用测试集图片对训练完成的卷积神经网络进行测试，获得识别准确率。本发明利用卷积神经网络对铁锈进行识别与定位，可以减少电缆隧道内故障的发生，确保电能的可靠输出，有利于提高电网安全。

Description

一种基于卷积神经网络的电缆隧道铁锈识别方法
技术领域
本发明属于电缆隧道领域，具体地说是一种基于卷积神经网络的电缆隧道铁锈识别方法。
背景技术
电缆隧道在我国现代化发展建设过程中占据了重要的地位，在许多城市地下配电网的建设日渐完善。目前，隧道内的电缆工作状态的检修主要依靠人工，但隧道内的大量浓烟、有害气体，以及电缆隧道内随时坍塌的风险影响工作人员的健康。随着机器人技术及图像识别技术的发展，利用巡检机器人对电缆隧道内部情况进行检测成为发展趋势。
隧道内存在渗水、电缆老化、腐蚀、铁锈、破损等现象，有关隧道内部信息情况的采集与传输，近年来逐渐成为研究热点。有关视频与图像方面的技术包括：
(1)利用隧道巡检机器人搭载高分辨率摄像机，在行进过程中获取目标图像并完成实时传输。机器人自带的处理器通过事先嵌入的图像识别网络结构，对获取图像进行选定信息的识别与定位，并将识别结果保存。识别的信息包括隧道内部电缆状况、铁锈情况、设备是否损坏、照明电能系统工作状态等。
(2)利用机器人搭载红外摄像机，利用红外检测技术对光线较暗的位置进行检测，包括电缆断股、接头松动等会引发电缆温度变化以及周围热量变化的故障。利用红外摄像头以及自身搭载的红外图像识别技术，可以检测出故障发生的位置。
由于电缆隧道内存在渗水现象且环境潮湿阴暗，隧道内部的关键设备容易出现铁锈，导致设备运行出现故障。
发明内容
为更好地解决上述问题，本发明提供一种基于卷积神经网络的电缆隧道铁锈识别方法，其通过将获取的图像输入到训练好的卷积神经网络中，利用卷积神经网络对铁锈进行识别与定位，以减少电缆隧道内故障的发生，确保电能的可靠输出，提高电网安全。
为此，本发明采用如下的技术方案：一种基于卷积神经网络的电缆隧道铁锈识别方法，其包括以下步骤：
1)采集电缆隧道铁锈样本图片，包含电缆隧道内不同位置(如风机、电源箱等)的铁锈；
2)对需要识别的铁锈位置及范围进行确定；
3)对采集到的电缆隧道铁锈样本图片进行预处理及缩放，将图片的长边尺寸变换为设定好的标准尺寸，将图片分为训练集图片和测试集图片；
4)搭建卷积神经网络，包括输入层、卷积层、激活函数、池化层以及全连接层；数据输入层包括对数据进行预处理，包括去均值与归一化；卷积层通过部分区域选取同样的权值参数进行计算，获取图像的重要特征；在卷积神经网络中，使用的激活函数ReLU；池化层在保持特征不变的基础上，对图像进行降维；全连接层的作用是将网络连接起来，连接方式与传统神经网络相同；
5)利用训练集图片对搭建好的卷积神经网络进行训练，选择合适且足够的训练轮次，训练至方差达到预设的理想值；
6)利用测试集图片对训练后的卷积神经网络进行测试，获得识别准确率。
本发明利用卷积神经网络对铁锈进行识别与定位，可以减少电缆隧道内故障的发生，确保电能的可靠输出，有利于提高电网安全。所训练的网络能够较好识别出铁锈的位置，有利于实现更大程度上的隧道智能巡检。
作为上述技术方案的补充，所述的电缆隧道铁锈样本图片来源于电缆隧道内拍摄的图片，拍摄调度不固定，以便未来应用于巡检机器人上。
作为上述技术方案的补充，利用tensorflow实现卷积神经网络的整体框架：在tensorflow下利用自带函数分别定义输入层、卷积层、激活函数、池化层及全连接层，所述的各层之间的连接方式为全连接。
作为上述技术方案的补充，步骤4)中，图像的重要特征获取采用如下过程：
整个网络的核心部分包含四层卷积神经网络结构，第一层的卷积核大小为9×9，步幅为2，之后选用ReLU激活函数，之后连接池化层，采样步幅为2；第二层的卷积核维度为7×7，卷积步幅为2；第三层的维度为5×5，步幅选择2；第四层的维度为3×3，步幅为1。
作为上述技术方案的补充，全连接网络的第三层使用softmax分类器，对应的池化层输出大小固定，其输出的结果连接到全连接网络上。
作为上述技术方案的补充，步骤6)中，对测试集图片上的铁锈信息进行提取，结果的置信度大于90％采纳。
本发明具有的有益效果是：本发明具有准确率高，适应性强，对电缆隧道内的铁锈具有普遍适用性；根据隧道内的环境特点，本发明选用卷积神经网络并通过tensorflow框架来实现，解决了传统检测中人工检测的困难问题，充分利用了神经网络对于特征提取的特点，解决了传统方法适用范围窄的问题；由于隧道内环境复杂，光线弱，拍摄条件差，本发明提高了现实环境应用条件下的识别准确率。
附图说明
图1-3为本发明应用例中常规情况下本发明的检测结果示意图。
具体实施方式
附图仅用于示例性说明，不能理解为对本发明的限制；对于本领域技术人员来说，附图中某些公知结构及其说明可能省略是可以理解的。附图中描述位置关系仅用于示例性说明，不能理解为对本发明的限制。
下面将结合本发明中的附图，对本发明技术方案进行详细介绍。
实施例
本实施例提供一种基于卷积神经网络的电缆隧道铁锈识别方法，其包括以下步骤：
1)采集电缆隧道铁锈样本图片，包含电缆隧道内不同位置(如风机、电源箱等)的铁锈；
2)对需要识别的铁锈位置及范围进行确定；
3)对采集到的电缆隧道铁锈样本图片进行预处理及图片缩放，将图片的长边尺寸变换为设定好的标准尺寸，将图片分为训练集和测试集；
4)搭建卷积神经网络，包括输入层、卷积层、激活函数、池化层以及全连接层；数据输入层包括对数据进行预处理，包括去均值与归一化；卷积层通过部分区域选取同样的权值参数进行计算，获取图像的重要特征；在卷积神经网络中，使用的激活函数ReLU；池化层在保持特征不变的基础上，对图像进行降维；全连接层的作用是将网络连接起来，连接方式与传统神经网络相同；
5)利用训练集图片对搭建好的卷积神经网络进行训练，选择合适且足够的训练轮次，训练至方差达到预设的理想值；
6)使用测试集图片对训练好的卷积神经网络进行测试，获得识别准确率。对测试集图片上的铁锈信息进行提取，结果的置信度大于90％采纳。
所述的电缆隧道铁锈样本图片来源于电缆隧道内拍摄的图片，拍摄调度不固定，以便未来应用于巡检机器人上。
步骤4)中，利用tensorflow实现卷积神经网络的整体框架：在tensorflow下利用自带函数分别定义输入层、卷积层、激活函数、池化层及全连接层，所述的各层之间的连接方式为全连接。
图像的重要特征获取采用如下过程：
整个网络的核心部分包含四层卷积神经网络结构，第一层的卷积核大小为9×9，步幅为2，之后选用ReLU激活函数，之后连接池化层，采样步幅为2；第二层的卷积核维度为7×7，卷积步幅为2；第三层的维度为5×5，步幅选择2；第四层的维度为3×3，步幅为1。
全连接网络的第三层使用softmax分类器，对应的池化层输出大小固定，其输出的结果连接到全连接网络上。
应用例
实验图片共有600张，其中用于训练集的图片有400张，其余200张图片作为测试集图片。
使用本发明的方法进行电缆隧道铁锈检测，结果如表1所示：
表1开关状态检测结果
待检测图片数 待检测数 正确检测数 误测数 漏检数 正确率
200 200 189 3 8 94.5％
从表1中可以看出，准确率达到94.5％，因此，可以根据以上结果可以判断铁锈出现的位置。
图1-3为常规情况下本发明的检测结果示意图，图中方框内的为铁锈。
由此可见，本发明能够较好地实现隧道内铁锈信息的检测，具有较高的准确率及良好的稳定性。
显然，本发明的上述实施例仅仅是为清楚地说明本发明所作的举例，而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明权利要求的保护范围之内。

Claims (6)

1.一种基于卷积神经网络的电缆隧道铁锈识别方法，其特征在于，包括以下步骤：
1)采集电缆隧道铁锈样本图片，包含电缆隧道内不同位置的铁锈；
2)对需要识别的铁锈位置及范围进行确定；
3)对采集到的电缆隧道铁锈样本图片进行预处理及图片缩放，将图片的长边尺寸变换为设定好的标准尺寸，将图片分为训练集图片和测试集图片；
4)搭建卷积神经网络，包括输入层、卷积层、激活函数、池化层以及全连接层；数据输入层包括对数据进行预处理，包括去均值与归一化；卷积层通过部分区域选取同样的权值参数进行计算，获取图像的重要特征；在卷积神经网络中，使用的激活函数ReLU；池化层在保持特征不变的基础上，对图像进行降维；全连接层的作用是将网络连接起来，连接方式与传统神经网络相同；
5)利用训练集图片对搭建好的卷积神经网络进行训练，选择合适且足够的训练轮次，训练至方差达到预设的理想值；
6)利用测试集图片对训练后的网络进行测试，获得识别准确率。
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铁锈识别方法，其特征在于，所述的电缆隧道铁锈样本图片来源于电缆隧道内拍摄的图片，拍摄调度不固定。
3.根据权利要求1或2所述的一种基于卷积神经网络的电缆隧道铁锈识别方法，其特征在于，利用tensorflow实现卷积神经网络的整体框架：在tensorflow下利用自带函数分别定义输入层、卷积层、激活函数、池化层及全连接层，所述的各层之间的连接方式为全连接。
4.根据权利要求3所述的一种基于卷积神经网络的电缆隧道铁锈识别方法，其特征在于，步骤4)中，图像的重要特征获取采用如下过程：
整个网络的核心部分包含四层卷积神经网络结构，第一层的卷积核大小为9×9，步幅为2，之后选用ReLU激活函数，之后连接池化层，采样步幅为2；第二层的卷积核维度为7×7，卷积步幅为2；第三层的维度为5×5，步幅选择2；第四层的维度为3×3，步幅为1。
5.根据权利要求3所述的一种基于卷积神经网络的电缆隧道铁锈识别方法，其特征在于，全连接网络的第三层使用softmax分类器，对应的池化层输出大小固定，其输出的结果连接到全连接网络上。
6.根据权利要求1或2所述的一种基于卷积神经网络的电缆隧道铁锈识别方法，其特征在于，步骤6)中，对测试集图片上的铁锈信息进行提取，结果的置信度大于90％采纳。
CN201810952520.0A 2018-08-21 2018-08-21 一种基于卷积神经网络的电缆隧道铁锈识别方法 Pending CN109255345A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810952520.0A CN109255345A (zh) 2018-08-21 2018-08-21 一种基于卷积神经网络的电缆隧道铁锈识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810952520.0A CN109255345A (zh) 2018-08-21 2018-08-21 一种基于卷积神经网络的电缆隧道铁锈识别方法

Publications (1)

Publication Number Publication Date
CN109255345A true CN109255345A (zh) 2019-01-22

Family

ID=65049551

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810952520.0A Pending CN109255345A (zh) 2018-08-21 2018-08-21 一种基于卷积神经网络的电缆隧道铁锈识别方法

Country Status (1)

Country Link
CN (1) CN109255345A (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110111327A (zh) * 2019-05-17 2019-08-09 上海道口材料科技有限公司 一种面向绿色资产评估的数字图像清洗方法
CN110232334A (zh) * 2019-05-26 2019-09-13 天津大学 一种基于卷积神经网络的钢结构锈蚀识别方法
CN110689042A (zh) * 2019-08-20 2020-01-14 中国矿业大学(北京) 隧道渗漏等级的识别方法和装置、存储介质、电子装置
CN112013993A (zh) * 2020-08-27 2020-12-01 国网山西省电力公司大同供电公司 一种基于水下机器人的海底电缆探测方法
CN114049354A (zh) * 2022-01-12 2022-02-15 山东仲良格环保技术有限公司 一种基于金属锈蚀程度的除锈剂优化配比方法及系统

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103413150A (zh) * 2013-06-28 2013-11-27 广东电网公司电力科学研究院 基于可见光影像对电力线路缺陷进行诊断的方法
CN108171117A (zh) * 2017-12-05 2018-06-15 南京南瑞信息通信科技有限公司 基于多核异构并行计算的电力人工智能视觉分析系统

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103413150A (zh) * 2013-06-28 2013-11-27 广东电网公司电力科学研究院 基于可见光影像对电力线路缺陷进行诊断的方法
CN108171117A (zh) * 2017-12-05 2018-06-15 南京南瑞信息通信科技有限公司 基于多核异构并行计算的电力人工智能视觉分析系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
DEEGAN J ATHA 等: "Evaluation of deep learning approaches based on convolutional neural networks for corrosion detection", 《STRUCTURAL HEALTH MONITORING》 *

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110111327A (zh) * 2019-05-17 2019-08-09 上海道口材料科技有限公司 一种面向绿色资产评估的数字图像清洗方法
CN110232334A (zh) * 2019-05-26 2019-09-13 天津大学 一种基于卷积神经网络的钢结构锈蚀识别方法
CN110689042A (zh) * 2019-08-20 2020-01-14 中国矿业大学(北京) 隧道渗漏等级的识别方法和装置、存储介质、电子装置
CN110689042B (zh) * 2019-08-20 2022-05-13 中国矿业大学(北京) 隧道渗漏等级的识别方法和装置、存储介质、电子装置
CN112013993A (zh) * 2020-08-27 2020-12-01 国网山西省电力公司大同供电公司 一种基于水下机器人的海底电缆探测方法
CN112013993B (zh) * 2020-08-27 2021-12-14 国网山西省电力公司大同供电公司 一种基于水下机器人的海底电缆探测方法
CN114049354A (zh) * 2022-01-12 2022-02-15 山东仲良格环保技术有限公司 一种基于金属锈蚀程度的除锈剂优化配比方法及系统
CN114049354B (zh) * 2022-01-12 2022-04-29 山东仲良格环保技术有限公司 一种基于金属锈蚀程度的除锈剂优化配比方法及系统

Similar Documents

Publication Publication Date Title
CN109255345A (zh) 一种基于卷积神经网络的电缆隧道铁锈识别方法
CN112633535B (zh) 一种基于无人机图像的光伏电站智能巡检方法及系统
CN107145900A (zh) 基于一致性约束特征学习的行人再识别方法
CN107239790A (zh) 一种基于深度学习的服务机器人目标检测与定位方法
CN105160669A (zh) 一种无人机巡检输电线路图像中绝缘子缺陷的检测和定位方法
CN111077093A (zh) 一种基于多光谱技术的煤矸石快速检测的方法与装置
CN107633232A (zh) 一种基于深度学习的低维人脸模型训练方法
CN110348538B (zh) 一种多光谱光谱信息和1d-cnn的煤矸识别方法
CN107016694A (zh) 一种基于红外视频的sf6气体泄漏自动检测方法
CN114972312A (zh) 基于YOLOv4-Tiny改进的绝缘子缺陷检测方法
Wang et al. Insulator defect recognition based on faster R-CNN
CN108961154A (zh) 基于改进非下采样轮廓波变换的太阳电池热斑检测方法
CN110490188A (zh) 一种基于ssd网络改进型的目标物体快速检测方法
CN107330381A (zh) 一种人脸识别方法
CN113902792B (zh) 基于改进RetinaNet网络的建筑物高度检测方法、系统和电子设备
CN115063665A (zh) 一种基于加权双向特征金字塔网络的轻量级火灾检测方法
CN116503470A (zh) 红外图像中绝缘子串盘片分割定位及状态分析方法
CN116309370A (zh) 一种混凝土坝表观病害实时检测方法及系统
Zhou et al. Tomato fruit maturity detection method based on YOLOV4 and statistical color model
CN114241310A (zh) 基于改进yolo模型的堤防管涌险情智能识别方法
CN110349104A (zh) 一种计算机检测带凹槽螺栓松动的方法、计算机可读介质及系统
CN104574269B (zh) 一种月基天文望远镜观测图像行方向拖曳的矫正方法
CN113496210A (zh) 基于注意力机制的光伏组串跟踪及故障跟踪方法
Tiancheng et al. Infrared image segmentation method of current transformer based on DeepLabv3+ network
CN117350964A (zh) 一种基于跨模态多层次特征融合的电力设备检测方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20190122