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 PDFInfo
- 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
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
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。
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)
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)
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 |
-
2018
- 2018-08-21 CN CN201810952520.0A patent/CN109255345A/zh active Pending
Patent Citations (2)
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)
Title |
---|
DEEGAN J ATHA 等: "Evaluation of deep learning approaches based on convolutional neural networks for corrosion detection", 《STRUCTURAL HEALTH MONITORING》 * |
Cited By (8)
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 |