CN112115877A - 一种基于可分离卷积神经网络的设备异常识别的方法 - Google Patents

一种基于可分离卷积神经网络的设备异常识别的方法 Download PDF

Info

Publication number
CN112115877A
CN112115877A CN202010995224.6A CN202010995224A CN112115877A CN 112115877 A CN112115877 A CN 112115877A CN 202010995224 A CN202010995224 A CN 202010995224A CN 112115877 A CN112115877 A CN 112115877A
Authority
CN
China
Prior art keywords
equipment
neural network
convolutional neural
pictures
separable
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
CN202010995224.6A
Other languages
English (en)
Inventor
陈友明
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.)
Sichuan Honghe Communication Co ltd
Original Assignee
Sichuan Honghe Communication 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 Sichuan Honghe Communication Co ltd filed Critical Sichuan Honghe Communication Co ltd
Priority to CN202010995224.6A priority Critical patent/CN112115877A/zh
Publication of CN112115877A publication Critical patent/CN112115877A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/40—Scenes; Scene-specific elements in video content
    • G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
    • 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
    • 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

Landscapes

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

Abstract

本发明公开了一种基于可分离卷积神经网络的设备异常识别的方法，包括如下步骤：S1：收集多角度设备图片，构建多角度设备图片数据库，对多角度设备图片进行预处理获得处理后的图片；S2：构建卷积神经网络，使用深度可分离卷积代替传统卷积；S3：对所述处理后的图片进行卷积神经网络训练，获得设备识别模型；S4：通过所述设备识别模型对所述多角度设备图片数据库内的处理后的图片进行分析，输出设备异常的概率；S5：如果设备异常的概率大于90％，则说明当前设备异常，否则说明设备正常。本发明的使用降低了安全隐患，提高了工作效率，同时使油企管理者能够实时、有效的对油企端各类安全风险事件进行监督。

Description

一种基于可分离卷积神经网络的设备异常识别的方法
技术领域
本发明涉及一种设备异常识别的方法，具体涉及一种基于可分离卷积神经网络的设备异常识别的方法。
背景技术
加油站的运营安全影响着人民的人身财产安全，油企在对管辖内加油站站点进行管理时，要求每天对站内的加油机、配电房、发电机等相关设备进行巡检，期望可以及时发现问题、及时解决问题，将风险控制在萌芽阶段。
巡检过程中对于设备的检查，现有技术只是通过人工进行检查每个设备的运行状态，并没有任何一种算法可以实现加油站中的设备异常识别。
现有技术完全是采用人为干预的方法。这种完成依靠人工的方法，存在以下3中问题：1、巡检质量完全依赖于巡检人员的自身能力；2、巡检中由于人工作业，很容易造成疏忽，给加油站安全带来严重的隐患。3、上级领导对于巡检质量基本无法进行监督管理。
发明内容
本发明所要解决的技术问题是现有技术只能通过人工巡检的方式检查每个设备的运行状态，而人工巡检容易造成疏忽，给加油站带来安全隐患的问题，目的在于提供一种基于可分离卷积神经网络的设备异常识别的方法，解决上述背景技术中遇到的问题。
本发明通过下述技术方案实现：
一种基于可分离卷积神经网络的设备异常识别的方法，包括如下步骤：
S1：收集多角度设备图片，构建多角度设备图片数据库，对多角度设备图片进行预处理获得处理后的图片；
S2：构建卷积神经网络，使用深度可分离卷积代替传统卷积；
S3：对所述处理后的图片进行卷积神经网络训练，获得设备识别模型；
S4：通过所述设备识别模型对所述多角度设备图片数据库内的处理后的图片进行分析，输出设备异常的概率；
S5：如果设备异常的概率大于90％，则说明当前设备异常，否则说明设备正常。
进一步地，一种基于可分离卷积神经网络的设备异常识别的方法，步骤S1中，所述收集多角度设备图片，构建多角度设备图片数据库具体为：使用防爆平板采集设备的不同时间不同光线下的上下左右不同角度的设备图片，所述设备图片是尺寸为1920*1080的设备图片。
进一步地，一种基于可分离卷积神经网络的设备异常识别的方法，步骤S1中，所述对多角度设备图片进行预处理获得处理后的图片包括如下步骤：
S11：按照上下左右的顺序对四张尺寸为1920*1080的设备图片进行拼接，得到尺寸为3840*2160的拼接图像；
S12：通过双线性插值的方法将尺寸为3840*2160的拼接图像进行压缩获得尺寸为1920*1080的压缩图像；
S13：然后再对尺寸为1920*1080的压缩图像进行补齐操作获得尺寸为1920*1920的补齐图像；
S14：所述尺寸为1920*1920的补齐图像即为处理后的图片。
进一步地，一种基于可分离卷积神经网络的设备异常识别的方法，还包括使用步骤S11至S14，获得10000张处理后的图片，将其中8000张作为设备异常的图片，2000张作为设备正常的图片，并将10000张处理后的图片按照5：1的比例分为训练集和验证集。
进一步地，一种基于可分离卷积神经网络的设备异常识别的方法，步骤S2中，所述构建卷积神经网络，使用深度可分离卷积代替传统卷积具体包括以下步骤：
构建卷积神经网络，在所述卷积神经网络中，将传统卷积核为3*3的卷积层替换成卷积核为3*3的深度卷积层和卷积核为1*1的逐点卷积层，所述深度卷积和逐点卷积合称为深度可分离卷积。
进一步地，一种基于可分离卷积神经网络的设备异常识别的方法，所述深度卷积负责滤波，尺寸为(DK,DK,1)，共M个，作用在输入的每个通道上；所述逐点卷积负责转换通道，尺寸为(1,1,M)，共N个，作用在深度卷积的输出特征映射上。
进一步地，一种基于可分离卷积神经网络的设备异常识别的方法，步骤S3中，对所述多角度设备训练图片进行卷积神经网络训练包括：
设计损失函数，通过损失函数，对处理后的图片进行梯度下降训练，优化深度可分离卷积神经网络得到优化后的深度可分离卷积神经网络；
使用优化后的深度可分离卷积神经网络对验证集进行验证，当精度大于95％且不在提升时结束卷积神经网络训练。
本发明与现有技术相比，具有如下的优点和有益效果：
本发明克服了现有技术中存在的油企管理者对油站巡检作业规范和标准监管不到位，对风险、设备状态等信息监管滞后、无法提供决策的问题，提供一种基于可分离卷积神经网络的设备异常识别的方法，降低安全隐患，提高工作效率，同时使油企管理者能够实时、有效的对油企端各类安全风险事件进行监督。
附图说明
此处所说明的附图用来提供对本发明实施例的进一步理解，构成本申请的一部分，并不构成对本发明实施例的限定。在附图中：
图1为本发明设备异常识别流程。
图2为图像处理流程。
图3为可分离卷积。
图4为网络结构图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白，下面结合实施例和附图，对本发明作进一步的详细说明，本发明的示意性实施方式及其说明仅用于解释本发明，并不作为对本发明的限定。
实施例
如图1所示，本发明一种基于可分离卷积神经网络的设备异常识别的方法，包括如下步骤：
S1：收集多角度设备图片，构建多角度设备图片数据库，对多角度设备图片进行预处理获得处理后的图片；
S2：构建卷积神经网络，使用深度可分离卷积代替传统卷积；
S3：对所述处理后的图片进行卷积神经网络训练，获得设备识别模型；
S4：通过所述设备识别模型对所述多角度设备图片数据库内的处理后的图片进行分析，输出设备异常的概率；
S5：如果设备异常的概率大于90％，则说明当前设备异常，否则说明设备正常。
步骤S1中，所述收集多角度设备图片，构建多角度设备图片数据库具体为：使用防爆平板采集设备的不同时间不同光线下的上下左右不同角度的设备图片，所述设备图片是尺寸为1920*1080的设备图片。
如图2所示，步骤S1中，所述对多角度设备图片进行预处理获得处理后的图片包括如下步骤：
S11：按照上下左右的顺序对四张尺寸为1920*1080的设备图片进行拼接，得到尺寸为3840*2160的拼接图像；
S12：通过双线性插值的方法将尺寸为3840*2160的拼接图像进行压缩获得尺寸为1920*1080的压缩图像；
S13：然后再对尺寸为1920*1080的压缩图像进行补齐操作获得尺寸为1920*1920的补齐图像；
S14：所述尺寸为1920*1920的补齐图像即为处理后的图片。
使用步骤S11至S14，获得10000张处理后的图片，将其中8000张作为设备异常的图片，2000张作为设备正常的图片，并将10000张处理后的图片按照5：1的比例分为训练集和验证集。
步骤S2中，所述构建卷积神经网络，使用深度可分离卷积代替传统卷积具体包括以下步骤：
构建卷积神经网络，在所述卷积神经网络中，将传统卷积核为3*3的卷积层替换成卷积核为3*3的深度卷积层和卷积核为1*1的逐点卷积层，所述深度卷积和逐点卷积合称为深度可分离卷积。
所述深度卷积负责滤波，尺寸为(DK,DK,1)，共M个，作用在输入的每个通道上；
所述逐点卷积负责转换通道，尺寸为(1,1,M)，共N个，作用在深度卷积的输出特征映射上。
步骤S3中，对所述多角度设备训练图片进行卷积神经网络训练包括：
设计损失函数，通过损失函数，对处理后的图片进行梯度下降训练，优化深度可分离卷积神经网络得到优化后的深度可分离卷积神经网络；使用优化后的深度可分离卷积神经网络对验证集进行验证，当精度大于95％且不在提升时结束卷积神经网络训练。
如图1所示，以下为本发明一种基于可分离卷积神经网络的设备异常识别的方法的具体步骤：
步骤A：防爆平板采集设备上下左右不同角度的图片，图片尺寸为1920*1080。
步骤B：如图2所示，按照上下左右的顺序对图片进行拼接，形成一张图，并通过双线性插值的方法将图像尺寸压缩到1920*1080，然后再对图像进行补齐操作，将图像的尺寸转换成1920*1920。
步骤C：通过可分离卷积神经网络分析步骤B获得的图像，输出设备异常的概率值。
步骤C1：按照步骤B，采集不同时间和不同光线下的设备照片，形成拼接数据10000张，将其中8000张作为设备异常的图片，2000张作为设备正常的图片。将拼接数据10000张按照5：1的比例将数据分为训练集和验证集。
步骤C2：定义可分离卷积方式，如图三所示，图(a)代表标准卷积；图(b)代表深度卷积，图(c)代表逐点卷积，两者合起来就是可分离卷积。深度卷积负责滤波，尺寸为(DK,DK,1)，共M个，作用在输入的每个通道上；逐点卷积负责转换通道，尺寸为(1,1,M)，共N个，作用在深度卷积的输出特征映射上。
步骤C3：搭建卷积神经网络，图4所示，网络的输入为1920*1920*3的图像大小，网络输出是1*1*2，输出网络的输入是设备异常和设备正常的概率值。
步骤C4：用{+1,-1}表示正负类，则预测类别与真实类别的四种情况：
1.s≥0,y＝+1:预测正确
2.s≥0,y＝-1:预测错误
3.s<0,y＝+1:预测错误
4.s<0,y＝-1:预测正确
5.整合上述4中情况得出：
若y*s>＝0，则预测正确
若y*s<0，则预测错误
因此损失函数为：
Figure BDA0002692292410000051
步骤C5：通过损失函数，梯度下降训练参数优化网络。
步骤C6：当网络在验证集精度大于95％且不在提升时结束训练。
步骤C7：利用训练好的网络模型，对设备图片进行分析，输出设备异常的概率。
步骤D：如果设备异常的概率大于90％，则说明当前设备异常，否则说明设备正常。
以上所述的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施方式而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (7)

1.一种基于可分离卷积神经网络的设备异常识别的方法，其特征在于，包括如下步骤：
S1：收集多角度设备图片，构建多角度设备图片数据库，对多角度设备图片进行预处理获得处理后的图片；
S2：构建卷积神经网络，使用深度可分离卷积代替传统卷积；
S3：对所述处理后的图片进行卷积神经网络训练，获得设备识别模型；
S4：通过所述设备识别模型对所述多角度设备图片数据库内的处理后的图片进行分析，输出设备异常的概率；
S5：如果设备异常的概率大于90％，则说明当前设备异常，否则说明设备正常。
2.根据权利要求1所述的一种基于可分离卷积神经网络的设备异常识别的方法，其特征在于，步骤S1中，所述收集多角度设备图片，构建多角度设备图片数据库具体为：使用防爆平板采集设备的不同时间不同光线下的上下左右不同角度的设备图片，所述设备图片是尺寸为1920*1080的设备图片。
3.根据权利要求2所述的一种基于可分离卷积神经网络的设备异常识别的方法，其特征在于，步骤S1中，所述对多角度设备图片进行预处理获得处理后的图片包括如下步骤：
S11：按照上下左右的顺序对四张尺寸为1920*1080的设备图片进行拼接，得到尺寸为3840*2160的拼接图像；
S12：通过双线性插值的方法将尺寸为3840*2160的拼接图像进行压缩获得尺寸为1920*1080的压缩图像；
S13：然后再对尺寸为1920*1080的压缩图像进行补齐操作获得尺寸为1920*1920的补齐图像；
S14：所述尺寸为1920*1920的补齐图像即为处理后的图片。
4.根据权利要求3所述的一种基于可分离卷积神经网络的设备异常识别的方法，其特征在于，还包括使用步骤S11至S14，获得10000张处理后的图片，将其中8000张作为设备异常的图片，2000张作为设备正常的图片，并将10000张处理后的图片按照5：1的比例分为训练集和验证集。
5.根据权利要求1所述的一种基于可分离卷积神经网络的设备异常识别的方法，步骤S2中，所述构建卷积神经网络，使用深度可分离卷积代替传统卷积具体包括以下步骤：
构建卷积神经网络，在所述卷积神经网络中，将传统卷积核为3*3的卷积层替换成卷积核为3*3的深度卷积层和卷积核为1*1的逐点卷积层，所述深度卷积和逐点卷积合称为深度可分离卷积。
6.根据权利要求5所述的一种基于可分离卷积神经网络的设备异常识别的方法，其特征在于，所述深度卷积负责滤波，尺寸为(DK,DK,1)，共M个，作用在输入的每个通道上；所述逐点卷积负责转换通道，尺寸为(1,1,M)，共N个，作用在深度卷积的输出特征映射上。
7.根据权利要求6所述的一种基于可分离卷积神经网络的设备异常识别的方法，其特征在于，步骤S3中，对所述多角度设备训练图片进行卷积神经网络训练包括：
设计损失函数，通过损失函数，对处理后的图片进行梯度下降训练，优化深度可分离卷积神经网络得到优化后的深度可分离卷积神经网络；
使用优化后的深度可分离卷积神经网络对验证集进行验证，当精度大于95％且不在提升时结束卷积神经网络训练。
CN202010995224.6A 2020-09-21 2020-09-21 一种基于可分离卷积神经网络的设备异常识别的方法 Pending CN112115877A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010995224.6A CN112115877A (zh) 2020-09-21 2020-09-21 一种基于可分离卷积神经网络的设备异常识别的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010995224.6A CN112115877A (zh) 2020-09-21 2020-09-21 一种基于可分离卷积神经网络的设备异常识别的方法

Publications (1)

Publication Number Publication Date
CN112115877A true CN112115877A (zh) 2020-12-22

Family

ID=73800812

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010995224.6A Pending CN112115877A (zh) 2020-09-21 2020-09-21 一种基于可分离卷积神经网络的设备异常识别的方法

Country Status (1)

Country Link
CN (1) CN112115877A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113358993A (zh) * 2021-05-13 2021-09-07 武汉大学 一种多电平变换器igbt的在线故障诊断方法及系统

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2019213459A1 (en) * 2018-05-04 2019-11-07 Northeastern University System and method for generating image landmarks
CN111062915A (zh) * 2019-12-03 2020-04-24 浙江工业大学 一种基于改进YOLOv3模型的实时钢管缺陷检测方法
CN111242144A (zh) * 2020-04-26 2020-06-05 北京邮电大学 电网设备异常的检测方法和装置
CN111310671A (zh) * 2020-02-19 2020-06-19 中冶赛迪重庆信息技术有限公司 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

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2019213459A1 (en) * 2018-05-04 2019-11-07 Northeastern University System and method for generating image landmarks
CN111062915A (zh) * 2019-12-03 2020-04-24 浙江工业大学 一种基于改进YOLOv3模型的实时钢管缺陷检测方法
CN111310671A (zh) * 2020-02-19 2020-06-19 中冶赛迪重庆信息技术有限公司 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
CN111242144A (zh) * 2020-04-26 2020-06-05 北京邮电大学 电网设备异常的检测方法和装置

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
王旭红 等: "基于改进SSD 的电力设备红外图像异常自动检测方法", 《电工技术学报》, pages 1 - 9 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113358993A (zh) * 2021-05-13 2021-09-07 武汉大学 一种多电平变换器igbt的在线故障诊断方法及系统
CN113358993B (zh) * 2021-05-13 2022-10-04 武汉大学 一种多电平变换器igbt的在线故障诊断方法及系统

Similar Documents

Publication Publication Date Title
CN113407517B (zh) 一种基于多维分析技术的数据质量健康度分析方法及系统
KR102322773B1 (ko) 전극편의 버를 검출하기 위한 방법 및 장치
CN112966772A (zh) 一种多人在线的图像半自动标注方法及系统
CN110992302A (zh) 一种压板自动校验的方法及装置
CN111900694B (zh) 一种基于自动识别的继电保护设备信息采集方法及系统
CN112115877A (zh) 一种基于可分离卷积神经网络的设备异常识别的方法
CN108548970B (zh) 一种基于d-s证据理论的继电保护装置自动化测试模板
CN114091944A (zh) 云端协同的配网工程现场作业分析决策系统
CN111462005B (zh) 处理显微图像的方法、装置、计算机设备及存储介质
CN115987692A (zh) 一种基于流量回溯分析的安全防护系统及方法
CN107832408B (zh) 一种基于数据标签及熵权法的电网缺陷推荐方法
CN114422515B (zh) 一种适配电力行业的边缘计算架构设计方法及系统
CN113392988B (zh) 一种水电厂无纸化作业的检修文件管理方法
CN115714004A (zh) 一种面向医学影像的信息归档管理系统
CN114943465A (zh) 基于数据分析的企业管理咨询服务系统
CN112115876A (zh) 一种基于3d卷积神经网络的水溶法实验过程识别方法
CN109359825B (zh) 银行数字化运营产品价值分析方法
CN114630110A (zh) 一种视频图像在线率检测方法
CN113052819A (zh) 一种电路缺陷图片采集分析系统及采集分析方法
CN114120462A (zh) 基于监管平台的劳务实名制数据的自适应推送系统及方法
CN113837178A (zh) 一种基于深度学习的变电站表计自动定位与统一分割方法
CN117094206B (zh) 一种仿真数据生成系统和生成方法
CN117311295B (zh) 基于无线网络设备的生产质量提升方法及系统
CN116883414B (zh) 一种适用于输电线路运维的多系统数据选择方法和系统
CN116560340B (zh) 故障远程会话指导诊断系统

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20201222