CN111310671B - 基于深度学习的加热炉底部积水坑异常识别方法、系统及设备 - Google Patents
基于深度学习的加热炉底部积水坑异常识别方法、系统及设备 Download PDFInfo
- Publication number
- CN111310671B CN111310671B CN202010101729.3A CN202010101729A CN111310671B CN 111310671 B CN111310671 B CN 111310671B CN 202010101729 A CN202010101729 A CN 202010101729A CN 111310671 B CN111310671 B CN 111310671B
- Authority
- CN
- China
- Prior art keywords
- water accumulation
- deep learning
- accumulation pit
- pit
- heating furnace
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/07—Target detection
Abstract
本发明公开了一种基于深度学习的加热炉底部积水坑异常识别方法,包括:获取积水坑图像;利用训练好的目标检测模型对所述积水坑图像进行检测,获得检测结果;所述检测结果包括包含标识牌和不包含标识牌;根据所述检测结果判断积水坑是否出现异常,若所述检测结果为包含标识牌,则判断积水坑没有出现异常,反之则积水坑则出现异常。本发明无需人工参与,对于先前主要依靠人工目测的加热炉底部积水坑异常识别方法大大提升了工作效率,通过机器学习标识牌特征,解决现有加热炉底部积水坑异常识别效率低的问题,避免了由人工参与带来的一系列问题。
Description
技术领域
本发明涉及数字图像处理领域,尤其涉及一种基于深度学习的加热炉底部积水坑异常识别方法、系统及设备。
背景技术
在钢铁冶金领域的热轧过程中,需要加热炉对钢材进行加热处理。在加热炉底部存在积水坑用以收集生产过程中的水,一旦积水坑中的水溢出,必须要及时进行处理。
发明内容
鉴于以上所述现有技术的缺点,本发明的目的在于提供一种基于深度学习的加热炉底部积水坑异常识别方法、系统及设备,用于解决现有技术的缺陷。
为实现上述目的及其他相关目的,本发明提供一种基于深度学习的加热炉底部积水坑异常识别方法,包括:
获取积水坑图像;
利用训练好的目标检测模型对所述积水坑图像进行检测,获得检测结果;所述检测结果包括包含标识牌和不包含标识牌。
根据所述检测结果判断积水坑是否出现异常,若所述检测结果为包含标识牌,则判断积水坑没有出现异常,反之则积水坑则出现异常。
可选地,训练目标检测模型的方法包括:
获取训练样本集;
基于所述训练样本集对基于深度学习的神经网络进行训练,得到所述目标检测模型。
可选地,对所述训练样本集中的数据进行预处理,所述预处理包括以下至少之一:归一化处理、数据增强;
所述数据增强包括以下至少之一:裁剪、翻转、旋转、亮度的改变、对比度的改变、饱和度的改变。
可选地,采用有监督训练方法对基于深度学习的神经网络进行训练。
可选地,利用所述基于深度学习的神经网络对所述训练样本集中的数据进行特征提取得到特征图,再对所述特征图进行检测,以得到检测结果。
可选地,在进行特征图提取过程中,所述基于深度学习的神经网络对所述训练样本集中的数据进行反转残差处理和线性瓶颈处理。
可选地,所述基于深度学习的神经网络为MobileNetV2-SSD。
可选地,在训练所述目标检测模型过程中,使用ReLU_6函数作为激活函数,使用L2正则化。
为实现上述目的及其他相关目的,本发明提供一种基于深度学习的加热炉底部积水坑异常识别系统,包括:
图像获取模块,用于获取积水坑图像;
结果检测模块,用于利用训练好的基于深度学习的目标检测模型对所述积水坑图像进行检测,获得检测结果;
异常判断模块,用于根据所述检测结果判断积水坑是否出现异常。
为实现上述目的及其他相关目的,本发明提供一种设备,包括:处理器及存储器;
所述存储器用于存储计算机程序,所述处理器用于执行所述存储器存储的计算机程序,以使所述设备执行所述的方法。
如上所述,本发明的一种基于深度学习的加热炉底部积水坑异常识别方法、系统及设备,具有以下有益效果:
本发明无需人工参与,对于先前主要依靠人工目测的加热炉底部积水坑异常识别方法大大提升了工作效率,通过机器学习标识牌特征,解决现有加热炉底部积水坑异常识别效率低的问题,避免了由人工参与带来的一系列问题。
附图说明
图1为本发明一实施例一种基于深度学习的加热炉底部积水坑异常识别方法的流程图;
图2为本发明一实施例训练目标检测模型的方法的流程图;
图3为本发明一实施例MobileNetV2的具体网络结构示意图;
图4为本发明又一实施例MobileNetV2的具体网络结构示意图;
图5为本发明实施例SSD的具体网络结构示意图;
图6为本发明一实施例一种基于深度学习的加热炉底部积水坑异常识别系统的示意图。
具体实施方式
以下通过特定的具体实例说明本发明的实施方式,本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用,本说明书中的各项细节也可以基于不同观点与应用,在没有背离本发明的精神下进行各种修饰或改变。需说明的是,在不冲突的情况下,以下实施例及实施例中的特征可以相互组合。
需要说明的是,以下实施例中所提供的图示仅以示意方式说明本发明的基本构想,遂图式中仅显示与本发明中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制,其实际实施时各组件的型态、数量及比例可为一种随意的改变,且其组件布局型态也可能更为复杂。
如图1所示,本实施例提供一种基于深度学习的加热炉底部积水坑异常识别方法,包括:
S11获取积水坑图像;
S12利用训练好的目标检测模型对所述积水坑图像进行检测,获得检测结果;所述检测结果包括包含标识牌和不包含标识牌;
S13根据所述检测结果判断积水坑是否出现异常,若所述检测结果为包含标识牌,则判断积水坑没有出现异常,反之则积水坑则出现异常。
本发明通过图像算法智能地实时检测加热炉底部积水坑状态的方法,能够及时的检测到积水坑中水的溢出,并及时报警,提醒操作工人进行处理。
在一实施例中,如图2所示,训练目标检测模型的方法包括:
S21获取训练样本集;
S22基于所述训练样本集对基于深度学习的神经网络进行训练,得到所述目标检测模型。
获取场景下的标识牌清晰图像,其中,标识牌的大小适中,颜色可以选择例如红色或绿色等具有颜色鲜艳醒目反光效果好的特点。对图像数据以含有标识牌为正常情况,不含有标识牌为异常情况进行标注,获得图像数据集。对图像数据集按比例进行划分,得到测试数据集和训练样本集;其中,划分的比例可选自行设定,例如可以为1:9,则图像数据集中的十分之一作为测试数据集,十分之九作为训练样本集。
在训练完成目标检测模型后,利用测试数据集对目标检测模型进行测试。在测试过程中会生成多个候选检测模型,取测试结果最优的候选检测模型作为目标检测模型。
在一实施例中,对所述训练样本集中的数据进行预处理,所述预处理包括以下至少之一:归一化处理、数据增强;
归一化处理具体是指将图片的灰度值从0到255归一化至0到1。图像归一化在这里采用最大最小值归一化方法,公式如下:
其中,xi表示图像像素点值max(x),min(x)分别表示图像像素的最大和最小值。
所述数据增强包括以下至少之一:裁剪、翻转、旋转、亮度的改变、对比度的改变、饱和度的改变。
在一实施例中,采用有监督训练方法对基于深度学习的神经网络进行训练。
在一实施例中,利用所述基于深度学习的神经网络对所述训练样本集中的数据进行特征提取得到特征图,再对所述特征图进行检测,以得到检测结果。
在进行特征图提取过程中,所述基于深度学习的神经网络对所述训练样本集中的数据进行反转残差处理和线性瓶颈处理。
在一实施例中,所述基于深度学习的神经网络为MobileNetV2-SSD。
MobileNetV2是对MobileNetV1的改进,它提出了两个新的概念:反转残差Inverted Residual和线性瓶颈Linear Bottleneck。反转残差Inverted Residual主要用来增加图像特征的提取以提高精度,而线性瓶颈Linear Bottleneck主要用来避免非线性函数ReLU的信息丢失。MobileNetV2的核心由17个Bottleneck组成,其网络结构如表1(其中,t为瓶颈层内部升维的倍数,c为输出特征的维数,n为重复的次数,s为卷积的步长,k为宽度缩放因子)。
表1 MobileNetV2网络结构表
瓶颈层的具体结构如表2所示。输入通过1×1的conv+ReLU层将维度从k维增加到tk维,之后通过3×3conv+ReLU可分离卷积对图像进行降采样(stride>1时),此时特征维度已经为tk维度,最后通过1×1conv(无ReLU)进行降维,维度从tk降低到k’维。
表2瓶颈层的具体结构表
此外,对于瓶颈层,当stride=1时,才会使用elementwise的sum将输入和输出特征连接(如图3);当stride=2时,无shortcut连接输入和输出特征(如图4)。
SSD是一种single-stage的目标检测算法,利用不同尺度的特征图去预测不同框大小的目标。SSD网络结构分为两部分:基础网络+金字塔网络,其中基础网络是可以变换的。原始SSD的基础网络是VGG-16的前4层网络,金字塔网络是特征图逐渐变小的简单卷积网络由5部分构成。SSD的具体网络结构如图5所示。
MobileNetV2-SSD深度学习神经网络是使用MobileNetV2网络替换原始SSD网络架构中的VGG-16,从Conv0到Conv13的配置与MobileNetV2模型是完全一致的,只是去掉MobileNetV2最后的全局平均池化、全连接层和Softmax层,用Conv6和Conv7分别替代了原VGG-16的FC6和FC7。MobileNetV2-SSD深度学习神经网络先用MobileNetV2网络提取图像特征输出特征图再用SSD目标检测算法对MobileNetV2网络输出的多个特征图上的信息进行检测。
在一实施例中,在训练所述目标检测模型过程中,使用ReLU_6函数作为激活函数。
为避免过度拟合,采用指数衰减法设置网络学习率,并采用L2正则化方法(L2正则化是指权值向量中各个元素的平方和然后再求平方根),基于L2范数,即在目标函数后面加上参数的L2范数和项,即参数的平方和与参数的积项,即:
其中,C0代表原始的代价函数,n是样本的个数,λ是正则项系数,权衡正则项与C0项的比重,w是权重。式中加号后面一项即为L2正则项。
L2正则化中则使用下式对模型参数进行更新:
在本实施例中,图像在目标检测过程中,采用监督式训练,每张标识牌图像都有对应的标签和预测框,不仅根据标签和预测框训练模型参数,而且还根据标签和预测框判断最终识别准确率。当训练网络通过多次迭代,预测值不断向标签和预测框误差方向进行收敛,然后反向传播根据链式法则将参数更新到每一层中。每次迭代都会根据梯度下降的优化方向,尽可能减少传播误差,最终得到数据集中所有标识牌图像最终的目标检测结果。本发明取在测试集上目标检测准确率最高的模型作为目标检测模型,在工业场景的实际操作中,首先通过摄像头实时获取图片,将单幅积水坑标识牌图像作为输入,此模型将自动对图像进行处理,去识别标识牌特征,进行预测,最终输出目标检测结果。本发明根据上述目标检测模型识别标识牌的情况,判断加热炉底部积水坑是否出现异常。若最终模型识别到积水坑标识牌,则说明是正常情况。若最终模型未识别到积水坑标识牌,则为异常情况,说明加热炉底部积水坑中的水溢出,实现了加热炉底部积水坑异常情况的及时报警。
本发明基于深度学习的加热炉底部积水坑异常识别方法,实现无人工参与对工业场景下的加热炉底部积水坑异常的识别,识别准确率在99%以上,在实际加热炉炼钢的工业场景下,效果极佳,在对加热炉底部积水坑异常识别的技术领域有了前所未有的飞跃。
如图6所示,一种基于深度学习的加热炉底部积水坑异常识别系统,包括:
图像获取模块11,用于获取积水坑图像;
结果检测模块12,用于利用训练好的基于深度学习的目标检测模型对所述积水坑图像进行检测,获得检测结果;
异常判断模块13,用于根据所述检测结果判断积水坑是否出现异常。
本发明通过图像算法智能地实时检测加热炉底部积水坑状态的方法,能够及时的检测到积水坑中水的溢出,并及时报警,提醒操作工人进行处理。
在一实施例中,训练目标检测模型的方法包括:
获取训练样本集;
基于所述训练样本集对基于深度学习的神经网络进行训练,得到所述目标检测模型。
获取场景下的标识牌清晰图像,其中,标识牌的大小适中,颜色可以选择例如红色或绿色等具有颜色鲜艳醒目反光效果好的特点。对图像数据以含有标识牌为正常情况,不含有标识牌为异常情况进行标注,获得图像数据集。对图像数据集按比例进行划分,得到测试数据集和训练样本集;其中,划分的比例可选自行设定,例如可以为1:9,则图像数据集中的十分之一作为测试数据集,十分之九作为训练样本集。
在训练完成目标检测模型后,利用测试数据集对目标检测模型进行测试。在测试过程中会生成多个候选检测模型,取测试结果最优的候选检测模型作为目标检测模型。
在一实施例中,对所述训练样本集中的数据进行预处理,所述预处理包括以下至少之一:归一化处理、数据增强;
归一化处理具体是指将图片的灰度值从0到255归一化至0到1。图像归一化在这里采用最大最小值归一化方法,公式如下:
其中,xi表示图像像素点值max(x),min(x)分别表示图像像素的最大和最小值。
所述数据增强包括以下至少之一:裁剪、翻转、旋转、亮度的改变、对比度的改变、饱和度的改变。
在一实施例中,采用有监督训练方法对基于深度学习的神经网络进行训练。
在一实施例中,利用所述基于深度学习的神经网络对所述训练样本集中的数据进行特征提取得到特征图,再对所述特征图进行检测,以得到检测结果。
在进行特征图提取过程中,所述基于深度学习的神经网络对所述训练样本集中的数据进行反转残差处理和线性瓶颈处理。
在一实施例中,所述基于深度学习的神经网络为MobileNetV2-SSD。
MobileNetV2是对MobileNetV1的改进,它提出了两个新的概念:反转残差Inverted Residual和线性瓶颈Linear Bottleneck。反转残差Inverted Residual主要用来增加图像特征的提取以提高精度,而线性瓶颈Linear Bottleneck主要用来避免非线性函数ReLU的信息丢失。MobileNetV2的核心由17个Bottleneck组成,其网络结构如表3(其中,t为瓶颈层内部升维的倍数,c为输出特征的维数,n为重复的次数,s为卷积的步长,k为宽度缩放因子)。
表3 MobileNetV2网络结构表
瓶颈层的具体结构如表4所示。输入通过1×1的conv+ReLU层将维度从k维增加到tk维,之后通过3×3conv+ReLU可分离卷积对图像进行降采样(stride>1时),此时特征维度已经为tk维度,最后通过1×1conv(无ReLU)进行降维,维度从tk降低到k’维。
表4瓶颈层的具体结构表
此外,对于瓶颈层,当stride=1时,才会使用elementwise的sum将输入和输出特征连接(如图3);当stride=2时,无shortcut连接输入和输出特征(如图4)。
SSD是一种single-stage的目标检测算法,利用不同尺度的特征图去预测不同框大小的目标。SSD网络结构分为两部分:基础网络+金字塔网络,其中基础网络是可以变换的。原始SSD的基础网络是VGG-16的前4层网络,金字塔网络是特征图逐渐变小的简单卷积网络由5部分构成。SSD的具体网络结构如图5所示。
MobileNetV2-SSD深度学习神经网络是使用MobileNetV2网络替换原始SSD网络架构中的VGG-16,从Conv0到Conv13的配置与MobileNetV2模型是完全一致的,只是去掉MobileNetV2最后的全局平均池化、全连接层和Softmax层,用Conv6和Conv7分别替代了原VGG-16的FC6和FC7。MobileNetV2-SSD深度学习神经网络先用MobileNetV2网络提取图像特征输出特征图再用SSD目标检测算法对MobileNetV2网络输出的多个特征图上的信息进行检测。
在一实施例中,在训练所述目标检测模型过程中,使用ReLU_6函数作为激活函数。
为避免过度拟合,采用指数衰减法设置网络学习率,并采用L2正则化方法(L2正则化是指权值向量中各个元素的平方和然后再求平方根),基于L2范数,即在目标函数后面加上参数的L2范数和项,即参数的平方和与参数的积项,即:
其中,C0代表原始的代价函数,n是样本的个数,λ是正则项系数,权衡正则项与C0项的比重,w是权重。式中加号后面一项即为L2正则项。
L2正则化中则使用下式对模型参数进行更新:
在本实施例中,图像在目标检测过程中,采用监督式训练,每张标识牌图像都有对应的标签和预测框,不仅根据标签和预测框训练模型参数,而且还根据标签和预测框判断最终识别准确率。当训练网络通过多次迭代,预测值不断向标签和预测框误差方向进行收敛,然后反向传播根据链式法则将参数更新到每一层中。每次迭代都会根据梯度下降的优化方向,尽可能减少传播误差,最终得到数据集中所有标识牌图像最终的目标检测结果。本发明取在测试集上目标检测准确率最高的模型作为目标检测模型,在工业场景的实际操作中,首先通过摄像头实时获取图片,将单幅积水坑标识牌图像作为输入,此模型将自动对图像进行处理,去识别标识牌特征,进行预测,最终输出目标检测结果。本发明根据上述目标检测模型识别标识牌的情况,判断加热炉底部积水坑是否出现异常。若最终模型识别到积水坑标识牌,则说明是正常情况。若最终模型未识别到积水坑标识牌,则为异常情况,说明加热炉底部积水坑中的水溢出,实现了加热炉底部积水坑异常情况的及时报警。
由于装置部分的实施例与方法部分的实施例相互对应,因此装置部分的实施例的内容请参见方法部分的实施例的描述,这里暂不赘述。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,仅以上述各功能单元、模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能单元、模块完成,即将所述装置的内部结构划分成不同的功能单元或模块,以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中,上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。另外,各功能单元、模块的具体名称也只是为了便于相互区分,并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述或记载的部分,可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
在本发明所提供的实施例中,应该理解到,所揭露的装置/终端设备和方法,可以通过其它的方式实现。例如,以上所描述的装置/终端设备实施例仅仅是示意性的,例如,所述模块或单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口,装置或单元的间接耦合或通讯连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明实现上述实施例方法中的全部或部分流程,也可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤。其中,所述计算机程序包括计算机程序代码,所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)、随机存取存储器((RAM,Random Access Memory)、电载波信号、电信信号以及软件分发介质等。
上述实施例仅例示性说明本发明的原理及其功效,而非用于限制本发明。任何熟悉此技术的人士皆可在不违背本发明的精神及范畴下,对上述实施例进行修饰或改变。因此,举凡所属技术领域中具有通常知识者在未脱离本发明所揭示的精神与技术思想下所完成的一切等效修饰或改变,仍应由本发明的权利要求所涵盖。
Claims (6)
1.一种基于深度学习的加热炉底部积水坑异常识别方法,其特征在于,包括:
获取积水坑图像;
利用训练好的目标检测模型对所述积水坑图像进行检测,获得检测结果;所述检测结果包括包含标识牌和不包含标识牌;
根据所述检测结果判断积水坑是否出现异常,若所述检测结果为包含标识牌,则判断积水坑没有出现异常,反之则积水坑则出现异常;
利用基于深度学习的神经网络对训练样本集中的数据进行特征提取得到特征图,再对所述特征图进行检测,以得到检测结果;
在进行特征图提取过程中,所述基于深度学习的神经网络对所述训练样本集中的数据进行反转残差处理和线性瓶颈处理;
所述基于深度学习的神经网络为MobileNetV2-SSD;
在训练所述目标检测模型过程中,使用ReLU_6函数作为激活函数,使用L2正则化。
2.根据权利要求1所述的基于深度学习的加热炉底部积水坑异常识别方法,其特征在于,训练目标检测模型的方法包括:
获取训练样本集;
基于所述训练样本集对基于深度学习的神经网络进行训练,得到所述目标检测模型。
3.根据权利要求2所述的基于深度学习的加热炉底部积水坑异常识别方法,其特征在于,对所述训练样本集中的数据进行预处理,所述预处理包括以下至少之一:归一化处理、数据增强;
所述数据增强包括以下至少之一:裁剪、翻转、旋转、亮度的改变、对比度的改变、饱和度的改变。
4.根据权利要求2所述的基于深度学习的加热炉底部积水坑异常识别方法,其特征在于,采用有监督训练方法对基于深度学习的神经网络进行训练。
5.一种基于深度学习的加热炉底部积水坑异常识别系统,其特征在于,包括:
图像获取模块,用于获取积水坑图像;
结果检测模块,用于利用训练好的基于深度学习的目标检测模型对所述积水坑图像进行检测,获得检测结果;
异常判断模块,用于根据所述检测结果判断积水坑是否出现异常;
利用基于深度学习的神经网络对训练样本集中的数据进行特征提取得到特征图,再对所述特征图进行检测,以得到检测结果;
在进行特征图提取过程中,所述基于深度学习的神经网络对所述训练样本集中的数据进行反转残差处理和线性瓶颈处理;
所述基于深度学习的神经网络为MobileNetV2-SSD;
在训练所述目标检测模型过程中,使用ReLU_6函数作为激活函数,使用L2正则化。
6.一种电子设备,其特征在于,包括:
处理器;和
其上存储有指令的机器可读介质,当所述处理器执行时,使得所述设备执行如权利要求1-4中任意一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010101729.3A CN111310671B (zh) | 2020-02-19 | 2020-02-19 | 基于深度学习的加热炉底部积水坑异常识别方法、系统及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010101729.3A CN111310671B (zh) | 2020-02-19 | 2020-02-19 | 基于深度学习的加热炉底部积水坑异常识别方法、系统及设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111310671A CN111310671A (zh) | 2020-06-19 |
CN111310671B true CN111310671B (zh) | 2023-04-28 |
Family
ID=71147313
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010101729.3A Active CN111310671B (zh) | 2020-02-19 | 2020-02-19 | 基于深度学习的加热炉底部积水坑异常识别方法、系统及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111310671B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112037197A (zh) * | 2020-08-31 | 2020-12-04 | 中冶赛迪重庆信息技术有限公司 | 一种热轧棒材冷剪物料堆积检测方法、系统及介质 |
CN112115877A (zh) * | 2020-09-21 | 2020-12-22 | 四川弘和通讯有限公司 | 一种基于可分离卷积神经网络的设备异常识别的方法 |
CN112580581A (zh) * | 2020-12-28 | 2021-03-30 | 英特灵达信息技术(深圳)有限公司 | 目标检测方法、装置及电子设备 |
CN112884036A (zh) * | 2021-02-09 | 2021-06-01 | 北京京能能源技术研究有限责任公司 | 一种锅炉受热面异常图像识别方法、标记方法及系统 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109448382A (zh) * | 2018-12-20 | 2019-03-08 | 天津天地伟业信息系统集成有限公司 | 一种道路积水深度监测预警方法 |
CN110472636A (zh) * | 2019-07-26 | 2019-11-19 | 四创科技有限公司 | 基于深度学习的水尺e字形刻度识别方法 |
Family Cites Families (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130184584A1 (en) * | 2012-01-17 | 2013-07-18 | Richard E. Berkey | Systems and methods for computerized ultrasound image interpretation and labeling |
CN205879302U (zh) * | 2016-07-18 | 2017-01-11 | 华南农业大学 | 一种适用于利用图像识别水位的水位尺 |
CN108344392B (zh) * | 2017-01-23 | 2020-06-09 | 长城汽车股份有限公司 | 低洼路面信息的检测方法、系统及车辆 |
US11187223B2 (en) * | 2017-04-10 | 2021-11-30 | Logical Concepts, Inc. | Home flood prevention appliance system |
US11022124B2 (en) * | 2017-04-10 | 2021-06-01 | Logical Concepts, Inc. | Whole home water appliance system |
CN108509919B (zh) * | 2018-04-03 | 2022-04-29 | 哈尔滨哈船智控科技有限责任公司 | 一种基于深度学习对视频或图片中水线的检测和识别方法 |
CN108985322B (zh) * | 2018-06-01 | 2019-11-22 | 广东电网有限责任公司 | 一种基于ZF-Faster RCNNs的电缆隧道积水定位识别方法 |
CN109543596B (zh) * | 2018-11-20 | 2022-06-07 | 浙江大华技术股份有限公司 | 一种水位监测方法、装置、电子设备及存储介质 |
CN109670404B (zh) * | 2018-11-23 | 2023-07-11 | 江苏理工学院 | 一种基于混合模型的道路积水图像检测预警方法 |
-
2020
- 2020-02-19 CN CN202010101729.3A patent/CN111310671B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109448382A (zh) * | 2018-12-20 | 2019-03-08 | 天津天地伟业信息系统集成有限公司 | 一种道路积水深度监测预警方法 |
CN110472636A (zh) * | 2019-07-26 | 2019-11-19 | 四创科技有限公司 | 基于深度学习的水尺e字形刻度识别方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111310671A (zh) | 2020-06-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111310671B (zh) | 基于深度学习的加热炉底部积水坑异常识别方法、系统及设备 | |
Ali et al. | Structural crack detection using deep convolutional neural networks | |
CN108564085B (zh) | 一种自动读取指针式仪表读数的方法 | |
CN113159147B (zh) | 基于神经网络的图像识别方法、装置、电子设备 | |
Rahaman et al. | An efficient multilevel thresholding based satellite image segmentation approach using a new adaptive cuckoo search algorithm | |
CN103593670A (zh) | 一种基于在线序列极限学习机的铜板带表面缺陷检测方法 | |
CN114758249B (zh) | 基于野外夜间环境的目标物监测方法、装置、设备及介质 | |
CN112926652B (zh) | 一种基于深度学习的鱼类细粒度图像识别方法 | |
CN113065609B (zh) | 图像分类方法、装置、电子设备及可读存储介质 | |
CN111339902A (zh) | 一种数显仪表的液晶屏示数识别方法及装置 | |
Ngugi et al. | A new approach to learning and recognizing leaf diseases from individual lesions using convolutional neural networks | |
CN113283446A (zh) | 图像中目标物识别方法、装置、电子设备及存储介质 | |
CN113569852A (zh) | 语义分割模型的训练方法、装置、电子设备及存储介质 | |
CN111950812A (zh) | 一种自动识别与预测雨量的方法及其装置 | |
CN113449811A (zh) | 一种基于ms-wsda的低照度目标检测方法 | |
CN110276759B (zh) | 一种基于机器视觉的手机屏坏线缺陷诊断方法 | |
Dong et al. | Automatic inspection and evaluation system for pavement distress | |
Lin et al. | An antagonistic training algorithm for TFT-LCD module mura defect detection | |
CN108520261A (zh) | 一种花生果仁数量的识别方法和装置 | |
CN117274278B (zh) | 基于模拟感受野的视网膜图像病灶部位分割方法及系统 | |
CN111724338A (zh) | 一种转盘异常识别方法、系统、电子设备及介质 | |
CN116129100A (zh) | 一种货车零件定位与故障识别方法、装置、设备及介质 | |
CN113255440B (zh) | 一种基于机器学习的农作物叶片异常检测方法及系统 | |
CN115439850A (zh) | 基于审单的图文字符识别方法、装置、设备及存储介质 | |
CN115019306A (zh) | 一种基于深度学习和机器视觉的包埋盒标签批量识别方法及系统 |
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 | ||
CB02 | Change of applicant information |
Address after: 401329 No. 5-6, building 2, No. 66, Nongke Avenue, Baishiyi Town, Jiulongpo District, Chongqing Applicant after: MCC CCID information technology (Chongqing) Co.,Ltd. Address before: Building 1, No. 11, Huijin Road, North New District, Yubei District, Chongqing Applicant before: CISDI CHONGQING INFORMATION TECHNOLOGY Co.,Ltd. |
|
CB02 | Change of applicant information | ||
GR01 | Patent grant | ||
GR01 | Patent grant |