CN110569889A - 一种基于l2归一化的卷积神经网络图象分类方法 - Google Patents
一种基于l2归一化的卷积神经网络图象分类方法 Download PDFInfo
- Publication number
- CN110569889A CN110569889A CN201910771745.0A CN201910771745A CN110569889A CN 110569889 A CN110569889 A CN 110569889A CN 201910771745 A CN201910771745 A CN 201910771745A CN 110569889 A CN110569889 A CN 110569889A
- Authority
- CN
- China
- Prior art keywords
- layer
- neural network
- convolutional neural
- input
- convolutional
- 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
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- 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
Abstract
本发明涉及电力技术领域,具体涉及一种基于L2归一化的卷积神经网络图象分类方法,包括以下步骤:对采集的每张图像进行L2归一化,并将归一化的图像输入至卷积神经网络的输入层;通过卷积神经网络的卷积层提取输入图像的局部特征,由激活函数输出得到卷积层的获得特征图;通过卷积神经网络的池化层对卷积层输出的特征图进行聚合统计;通过卷积神经网络的全连接层对得到的图像进行特征分类,并由神经网络的输出层输出分类结果。本发明通过对巡检图像样本进行深度学习训练,实现在变电站复杂环境下对变电站关键部件的智能识别,为后续设备异常识别做准备,减少了人工判读图数量,大大提升巡检效率以及智能化和自动化程度。
Description
技术领域
本发明涉及电力技术领域,具体涉及一种基于L2归一化的卷积神经网络图象分类方法。
背景技术
目前,变电站广泛采用高清摄像头、巡检机器人代替人工进行巡检。基于视频监控、巡检机器人所采集的视频分辨率较高,视频数据量较大,现有智能监控系统的图像处理能力不足,导致重要的事件遗失在海量数据中;大量精细的的视频/照片,需要经过专业训练的人员来处理;实时监控会消耗极大人力成本,或者根本没有实时监控,摄像头仅仅只是用来记录;尽管很多视频/照片包含了很重要的事件,在大多数情况下人们没有时间去观看或整理这些内容,海量的巡检数据无法发挥作用。
随着计算机技术的迅速发展和科技的不断进步,图像识别技术已经在众多领域中得到了应用。如何利用图像识别技术,充分挖掘现有巡检数据价值,是变电站智能化、自动化面临的主要问题。
发明内容
为了解决上述问题,本发明提供了一种基于L2归一化的卷积神经网络图象分类方法法,具体技术方案如下:
一种基于L2归一化的卷积神经网络图象分类方法,包括以下步骤:
S1:对采集的每张图像进行L2归一化,并将归一化的图像输入至卷积神经网络的输入层;
S2:通过卷积神经网络的卷积层提取输入图像的局部特征,由激活函数输出得到卷积层的获得特征图;
S3:通过卷积神经网络的池化层对卷积层输出的特征图进行聚合统计;
S4:通过卷积神经网络的全连接层对步骤S3得到的图像进行特征分类,并由神经网络的输出层输出分类结果。
优选地,所述步骤S1的输入层为:,其中为超参数,设向量,对进行L2归一化的处理结果如下:
;
i=1,2,…,n, 为n维矩阵。
优选地,所述步骤S2中卷积层的计算公式为:
;
其中,为输入函数,为网络层数,表示第层的第个特征图,表示第层的第个特征图与第层第个特征图连接之间的卷积核,表示第个特征图对应的偏置项,表示卷积运算,表示激活函数,表示选择的输入图象集合。
优选地,所述步骤S2中采用的激活函数为ReLU函数,具体如下:
;
由于ReLU不存在除法运算,相较于tanh和sigmoid函数,运算速率更高,当输入信号z>0时,输出为正数;输入信号z<0时,输出为0。
优选地,所述步骤S3中池化层采用采用最大值采样,公式如下:
;
其中,为采样函数;为输入函数,为网络层数,表示第层的第个特征图,表示第个特征图对应的偏置项;为权重系数,对应层的第个特征图。
优选地,所述步骤S4中全连接层采用Softmax函数进行分类,公式如下:
;
其中,表示该层的第个输入向量的值,表示输入向量的所有制,可以表示样本属于各个分类的概率;T为Softmax层的输出节点数,也就是分类类别数,k为表示某个类别。
本发明的有益效果为:本发明提供了一种基于L2归一化的卷积神经网络图象分类方法,通过对巡检图像样本进行深度学习训练,实现在变电站复杂环境下对变电站关键部件的智能识别,为后续设备异常识别做准备,减少了人工判读图数量,大大提升巡检效率以及智能化和自动化程度,是人工智能在巡检业务上的具体应用。
附图说明
图1为本实施例中L2归一化的卷积神经网络图象分类模型的设计示意图。
具体实施方式
为了更好的理解本发明,下面结合附图和具体实施例对本发明作进一步说明:
一种基于L2归一化的卷积神经网络图象分类方法,包括以下步骤:
S1:对采集的每张图像进行L2归一化,并将归一化的图像输入至卷积神经网络的输入层;输入层为:,其中为超参数,设向量,对进行L2归一化的处理结果如下:
;
i=1,2,…,n, 为n维矩阵。
S2:通过卷积神经网络的卷积层提取输入图像的局部特征,由激活函数输出得到卷积层的获得特征图。
卷积层,为特征提取层,特点的局部感知、参数共享和多卷积核,通过卷积层的每个神经元对图片的局部进行感知,在网络的更高层将局部信息综合起来得到全局信息。
卷积核是参数的滑动窗口,其大小跟模型的“深度”设计有关,在输入图象尺寸同等的情况下,每层的卷积核越大,特征图象的尺寸缩小的越快
当输入一副尺寸为的特征图,通过大小为的卷积核、步长为的过滤器,则输出特征图大小为。
卷积层的计算公式为:
;
其中,为输入函数,为网络层数,表示第层的第个特征图,表示第层的第个特征图与第层第个特征图连接之间的卷积核,表示第个特征图对应的偏置项,表示卷积运算,表示激活函数,表示选择的输入图象集合。
激活函数为ReLU函数,具体如下:
;
由于ReLU不存在除法运算,相较于tanh和sigmoid函数,运算速率更高,当输入信号z>0时,输出为正数;输入信号z<0时,输出为0。
S3:通过卷积神经网络的池化层对卷积层输出的特征图进行聚合统计;池化层也称下采样层,对卷积层输出的特征图进行聚合统计。通过对上层特征进行池化操作,降低特征维度,减少网络参数,采用的采样规则有:均值采样、最大值采样和随机采样。
本发明中的池化层采用采用最大值采样,公式如下:
;
其中,为采样函数;为输入函数,为网络层数,表示第层的第个特征图,表示第个特征图对应的偏置项;为权重系数,对应层的第个特征图。
本实施例中的卷积神经网络设置4层卷积层、4层池化层,各卷积层、池化层的参数设置如表1所示。
表1 各卷积层、池化层的参数
S4:通过卷积神经网络的全连接层对步骤S3得到的图像进行特征分类,并由神经网络的输出层输出分类结果。经过步骤S2、S3之后,原始图象压缩成batchSize×1536的矩阵,作为全连接层的输入。
本实施例中的卷积神经网络设置3层全连接层,各全连接层参数设置如下:
表2 全连接层参数表
全连接层采用Softmax函数进行分类,公式如下:
;
其中,表示该层的第个输入向量的值,表示输入向量的所有制,可以表示样本属于各个分类的概率;T为Softmax层的输出节点数,也就是分类类别数,k为表示某个类别。将巡检图象作为上述卷积神经网络模型的输入,可以得到输入图象对应的各个类别概率,以最大概率结果作为最终分类,完成图象识别分类。
以变压器的呼吸器为例,通过模型超参优化,在batchSize=32,epoch=50,正则化惩罚系数λ=0.003时,模型的分类准确率较高,达到98.79%,总耗时较短,为263.99mm,在变电站复杂环境下能准确对巡检图象进行分类。
本发明不局限于以上所述的具体实施方式,以上所述仅为本发明的较佳实施案例而已,并不用以限制本发明,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,均应包含在本发明的保护范围之内。
Claims (6)
1.一种基于L2归一化的卷积神经网络图象分类方法,其特征在于:包括以下步骤:
S1:对采集的每张图像进行L2归一化,并将归一化的图像输入至卷积神经网络的输入层;
S2:通过卷积神经网络的卷积层提取输入图像的局部特征,由激活函数输出得到卷积层的获得特征图;
S3:通过卷积神经网络的池化层对卷积层输出的特征图进行聚合统计;
S4:通过卷积神经网络的全连接层对步骤S3得到的图像进行特征分类,并由神经网络的输出层输出分类结果。
2.根据权利要求1所述的一种基于L2归一化的卷积神经网络图象分类方法,其特征在于:所述步骤S1的输入层为:,其中为超参数,设向量,对进行L2归一化的处理结果如下:
;
i=1,2,…,n, 为n维矩阵。
3.根据权利要求1所述的一种基于L2归一化的卷积神经网络图象分类方法,其特征在于:所述步骤S2中卷积层的计算公式为:
;
其中,为输入函数,为网络层数,表示第层的第个特征图,表示第层的第个特征图与第层第个特征图连接之间的卷积核,表示第个特征图对应的偏置项,表示卷积运算,表示激活函数,表示选择的输入图象集合。
4.根据权利要求2所述的一种基于L2归一化的卷积神经网络图象分类方法,其特征在于:所述步骤S2中采用的激活函数为ReLU函数,具体如下:
;
当输入信号z>0时,输出为正数;输入信号z<0时,输出为0。
5.根据权利要求1所述的一种基于L2归一化的卷积神经网络图象分类方法,其特征在于:所述步骤S3中池化层采用采用最大值采样,公式如下:
;
其中,为采样函数;为输入函数,为网络层数,表示第层的第个特征图,表示第个特征图对应的偏置项;为权重系数,对应层的第个特征图。
6.根据权利要求1所述的一种基于L2归一化的卷积神经网络图象分类方法,其特征在于:所述步骤S4中全连接层采用Softmax函数进行分类,公式如下:
;
其中,表示该层的第个输入向量的值,表示输入向量的所有制,可以表示样本属于各个分类的概率;T为Softmax层的输出节点数,也就是分类类别数,k为表示某个类别。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910771745.0A CN110569889A (zh) | 2019-08-21 | 2019-08-21 | 一种基于l2归一化的卷积神经网络图象分类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910771745.0A CN110569889A (zh) | 2019-08-21 | 2019-08-21 | 一种基于l2归一化的卷积神经网络图象分类方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110569889A true CN110569889A (zh) | 2019-12-13 |
Family
ID=68775781
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910771745.0A Pending CN110569889A (zh) | 2019-08-21 | 2019-08-21 | 一种基于l2归一化的卷积神经网络图象分类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110569889A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111445018A (zh) * | 2020-03-27 | 2020-07-24 | 国网甘肃省电力公司电力科学研究院 | 基于加速卷积神经网络算法的紫外成像实时信息处理方法 |
CN115937655A (zh) * | 2023-02-24 | 2023-04-07 | 城云科技(中国)有限公司 | 多阶特征交互的目标检测模型及其构建方法、装置及应用 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107330405A (zh) * | 2017-06-30 | 2017-11-07 | 上海海事大学 | 基于卷积神经网络的遥感图像飞机目标识别方法 |
CN107341518A (zh) * | 2017-07-07 | 2017-11-10 | 东华理工大学 | 一种基于卷积神经网络的图像分类方法 |
-
2019
- 2019-08-21 CN CN201910771745.0A patent/CN110569889A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107330405A (zh) * | 2017-06-30 | 2017-11-07 | 上海海事大学 | 基于卷积神经网络的遥感图像飞机目标识别方法 |
CN107341518A (zh) * | 2017-07-07 | 2017-11-10 | 东华理工大学 | 一种基于卷积神经网络的图像分类方法 |
Non-Patent Citations (1)
Title |
---|
龚钢军 等: "基于TensorFlow的高压输电线路异物识别", 《电力自动化设备》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111445018A (zh) * | 2020-03-27 | 2020-07-24 | 国网甘肃省电力公司电力科学研究院 | 基于加速卷积神经网络算法的紫外成像实时信息处理方法 |
CN111445018B (zh) * | 2020-03-27 | 2023-11-14 | 国网甘肃省电力公司电力科学研究院 | 基于加速卷积神经网络算法的紫外成像实时信息处理方法 |
CN115937655A (zh) * | 2023-02-24 | 2023-04-07 | 城云科技(中国)有限公司 | 多阶特征交互的目标检测模型及其构建方法、装置及应用 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113191215B (zh) | 融合注意力机制与孪生网络结构的滚动轴承故障诊断方法 | |
CN108764072B (zh) | 一种基于多尺度融合的血细胞亚型图像分类方法 | |
CN106919920B (zh) | 基于卷积特征和空间视觉词袋模型的场景识别方法 | |
CN108596203B (zh) | 并联池化层对受电弓碳滑板表面磨耗检测模型的优化方法 | |
CN108090472B (zh) | 基于多通道一致性特征的行人重识别方法及其系统 | |
CN108256486B (zh) | 一种基于非负低秩和半监督学习的图像识别方法及装置 | |
CN113749657B (zh) | 一种基于多任务胶囊的脑电情绪识别方法 | |
CN112766283B (zh) | 一种基于多尺度卷积网络的两相流流型识别方法 | |
CN107609580A (zh) | 一种直推式的低秩张量判别性分析方法 | |
AlBdairi et al. | Identifying ethnics of people through face recognition: A deep CNN approach | |
CN110569889A (zh) | 一种基于l2归一化的卷积神经网络图象分类方法 | |
CN114492634B (zh) | 一种细粒度装备图片分类识别方法及系统 | |
CN111967361A (zh) | 一种基于婴儿表情识别与哭声的情绪检测方法 | |
CN115937774A (zh) | 一种基于特征融合和语义交互的安检违禁品检测方法 | |
CN111640087A (zh) | 一种基于sar深度全卷积神经网络的影像变化检测方法 | |
CN111242028A (zh) | 基于U-Net的遥感图像地物分割方法 | |
Xu et al. | Cow face recognition for a small sample based on Siamese DB Capsule Network | |
CN108764287B (zh) | 基于深度学习和分组卷积的目标检测方法及系统 | |
CN112801204B (zh) | 基于自动神经网络的具有终身学习能力的高光谱分类方法 | |
Li | Parallel two-class 3D-CNN classifiers for video classification | |
Feng et al. | High-efficiency progressive transmission and automatic recognition of wildlife monitoring images with WISNs | |
Wu et al. | Using convolution neural network for defective image classification of industrial components | |
Chen et al. | Deep convolutional network for citrus leaf diseases recognition | |
CN114821200B (zh) | 一种应用于工业视觉检测领域的图像检测模型及方法 | |
CN115797637A (zh) | 基于模型间和模型内不确定性的半监督分割模型 |
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 |
Application publication date: 20191213 |
|
RJ01 | Rejection of invention patent application after publication |