CN112508946A - 一种基于对抗神经网络的电缆隧道异常检测方法 - Google Patents
一种基于对抗神经网络的电缆隧道异常检测方法 Download PDFInfo
- Publication number
- CN112508946A CN112508946A CN202011586344.7A CN202011586344A CN112508946A CN 112508946 A CN112508946 A CN 112508946A CN 202011586344 A CN202011586344 A CN 202011586344A CN 112508946 A CN112508946 A CN 112508946A
- Authority
- CN
- China
- Prior art keywords
- network
- image
- training
- neural network
- model
- 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.)
- Granted
Links
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 30
- 230000003042 antagnostic effect Effects 0.000 title claims abstract description 22
- 238000001514 detection method Methods 0.000 title claims abstract description 12
- 238000012549 training Methods 0.000 claims abstract description 45
- 230000002159 abnormal effect Effects 0.000 claims abstract description 29
- 238000012360 testing method Methods 0.000 claims abstract description 12
- 238000007689 inspection Methods 0.000 claims description 19
- 238000000034 method Methods 0.000 claims description 16
- 230000005856 abnormality Effects 0.000 claims description 14
- 238000003708 edge detection Methods 0.000 claims description 12
- 238000010606 normalization Methods 0.000 claims description 9
- 230000006870 function Effects 0.000 claims description 6
- 238000011478 gradient descent method Methods 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 6
- 230000001537 neural effect Effects 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 3
- 230000000644 propagated effect Effects 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 abstract description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000005336 cracking Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10016—Video; Image sequence
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Quality & Reliability (AREA)
- Health & Medical Sciences (AREA)
- Image Analysis (AREA)
Abstract
本发明提供一种基于对抗神经网络的电缆隧道异常检测方法,包括训练阶段和测试阶段,在所述训练阶段通过网络学习正常数据的数据分布,得到的模型A只能生成或者重建正常数据;在所述测试阶段,使用测试样本输入训练好的模型A,如果A经过重建后输出和输入接近,则为正常数据,否则为异常数据;本发明通过对抗神经网络技术,使检测到的隧道异常图片更真实,判别更准确,适于在隧道检测系统中推广。
Description
技术领域
本发明涉及电缆隧道异常检测方法领域,尤其是基于对抗神经网络的电缆隧道异常检测方法。
背景技术
目前在做基于深度学习的图像异常分析时,首先收集足够多的异常样本数据,然后进行人工处理,将异常数据进行分类并对其中的异常区域进行标注,然后将这些人工处理好的图像数据输入给神经网络进行训练,最后再将需要识别的图像输入训练好的神经网络,即可得到图像是否为异常的结果;电缆隧道在大多数情况下都处于正常状态,即大多数情况下都只有正常样本,隧道中的异常情况很少出现,要积累异常样本数据就需要很长的时间,有些异常情况几年甚至10几年都不会发生一次,比如墙体开裂和火灾等,缺少异常样本数据,是目前深度学习所面临的一大挑战;目前巡检机器人采集可见光数据的主要方式还是录制视频,所以如果能够直接对视频进行分析处理是最理想的。
发明内容
为解决上述问题,本发明提供一种基于对抗神经网络的电缆隧道异常检测方法,可以将机器人拍摄的视频转换成图像,再通过对抗神经网络技术判别差异,提供更加准确的差异数据。
为解决上述技术问题,本发明的实施例提供一种基于对抗神经网络的电缆隧道异常检测方法,其特征在于,包括训练阶段和测试阶段,在所述训练阶段通过网络学习正常数据的数据分布,得到的模型A只能生成或者重建正常数据;在所述测试阶段,使用测试样本输入训练好的模型A,如果A经过重建后输出和输入接近,则为正常数据,否则为异常数据,其步骤如下:
(一)将标准视频转换为图像:从标准视频中提取图像序列,按固定时间段进行分类,每一图像类对应一个时间点,再从巡检视频中任取一幅图像,确定巡检图像与标准图像的对应关系,将视频转换为图像;
(二)将正常的标准图像转换成轮廓图:通过Canny 边缘检测算子对正常的标准图像进行边缘检测,得到轮廓图;
(三)将转换好的标准图像及其轮廓图输入到网络进行训练:对抗神经网络包括生成网络G(z)和判别网络D(x),所述生成网络G(z)为生成图片的网络,其将轮廓图尽可能地生成为真实图像,所述判别网络D(x)判别图片真实性的网络,其输入x代表一张图片,输出D(x)代表x为真实图片的概率,所述概率为1,则为真实图片,否则为不真实图片;
其训练过程如下:
1)固定其中一个网络;
2)更新另一个网络的训练参数;
3)从所述网络数据中获得每次迭代需要使用的训练样本,对所述训练样本进行预处理后,作为模型A的输入;
4)采用随机梯度下降法交替优化判别网络和生成网络,更新各部分网络权值,直至迭代结束;
5)获得异常判别阈值;
(四)将日常巡检图像转换成轮廓图并输入到训练好的对抗神经网络中;将日常巡检图像通过Canny边缘检测算子进行边缘检测,得到轮廓图,输入到训练好的对抗神经网络中;
(五)找出两幅图像的差异部分:将生成的图像与真实的巡检图像做差值,如果差值大于异常判别阈值,则该区域为异常区域。
其中,步骤(三)中的所述生成网络G(z)输入给判别网络D(x)判别并得到相应的误差梯度,反向传播这些图片梯度成为组成生成网络G(z)的权重。
其中,步骤(三)中的所述训练参数包括最小批次值N batch 、最大迭代次数M、卷积和反卷积网络的层数以及每层网络的特征图数量。
其中,所述预处理包括图片尺寸归一化和像素值归一化。
其中,所述像素值归一化具体为:
将图片RGB三通道上的像素值减去训练样本集上所有图片的RGB均值,然后再将所有通道上的像素值归一化成[0,1]之间。
其中,采用所述随机梯度下降法进行优化时,基于判别网络的对抗神经目标函数更新各部分网络权值,其中,
对抗神经网络目标函数表示为:
其中,训练判别网络D(x)使得最大概率地正确区分训练样本的标签,即通过最大化log D(x)实现,训练生成网络G(z)通过最小化log(1 – D(G(z)))实现,即最大化判别D(x)的损失。
其中,步骤(三)中的所述异常判别阈值通过以下过程获得:
利用训练好的A模型,将训练样本集中的所有正常样本输入到模型中,计算得到其判别网络输出的属于正常类别和异常类别的信任值,获得所有正常样本被分为异常类别的信任值的最大值,记该最大值θ为异常判别阈值。
其中,步骤(一)中的所述视频切分的时长为5秒。
本发明的上述技术方案的有益效果如下:
1、本发明中,只要隧道内有新的物体或异常情况出现,就能够被识别出来,而由于巡检机器人运动中拍摄导致的位置和角度偏差不会影响识别结果,使检测更加智能化和准确;
2、本发明中,可以不用预先积累各种异常情况的数据,即可以对异常情况进行判别,检测更加便捷;
3、本发明中,可以将视频转换成图像再进行辨别,即巡检机器人只需要按照正常速度运行并拍摄视频即可完成对隧道整体的实时监控,节省了检测时间。
附图说明
图1为标准图像;
图2为图1的轮廓图。
具体实施方式
为使本发明要解决的技术问题、技术方案和优点更加清楚,下面将结合附图及具体实施例进行详细描述,显然,所描述的实施例仅仅是本发明的一部分实施例,而不是全部的实施例。
本发明提供一种基于对抗神经网络的电缆隧道异常检测方法,包括训练阶段和测试阶段,在所述训练阶段通过网络学习正常数据的数据分布,得到的模型A只能生成或者重建正常数据;在所述测试阶段,使用测试样本输入训练好的模型A,如果A经过重建后输出和输入接近,则为正常数据,否则为异常数据,其步骤如下:
(一)将标准视频转换为图像:从标准视频中提取图像序列,按固定时间段进行分类,每一图像类对应一个时间点,再从巡检视频中任取一幅图像,确定巡检图像与标准图像的对应关系,将视频转换为图像;
(二)将正常的标准图像转换成轮廓图:通过Canny 边缘检测算子对正常的标准图像进行边缘检测,得到轮廓图;
(三)将转换好的标准图像及其轮廓图输入到网络进行训练:对抗神经网络包括生成网络G(z)和判别网络D(x),生成网络G(z)为生成图片的网络,其将轮廓图尽可能地生成为真实图像,判别网络D(x)判别图片真实性的网络,其输入x代表一张图片,输出D(x)代表x为真实图片的概率,概率为1,则为真实图片,否则为不真实图片;
其训练过程如下:
1)固定其中一个网络;
2)更新另一个网络的训练参数;
3)从所述网络数据中获得每次迭代需要使用的训练样本,对所述训练样本进行预处理后,作为模型A的输入;
4)采用随机梯度下降法交替优化判别网络和生成网络,更新各部分网络权值,直至迭代结束;
5)获得异常判别阈值;
(四)将日常巡检图像转换成轮廓图并输入到训练好的对抗神经网络中;将日常巡检图像通过Canny边缘检测算子进行边缘检测,得到轮廓图,输入到训练好的对抗神经网络中;
(五)找出两幅图像的差异部分:将生成的图像与真实的巡检图像做差值,如果差值大于异常判别阈值,则该区域为异常区域。
其中,步骤(三)中的生成网络G(z)输入给判别网络D(x)判别并得到相应的误差梯度,反向传播这些图片梯度成为组成生成网络G(z)的权重。
其中,步骤(三)中的训练参数包括最小批次值N batch 、最大迭代次数M、卷积和反卷积网络的层数以及每层网络的特征图数量。
其中,预处理包括图片尺寸归一化和像素值归一化。
其中,像素值归一化具体为:
将图片RGB三通道上的像素值减去训练样本集上所有图片的RGB均值,然后再将所有通道上的像素值归一化成[0,1]之间。
其中,采用随机梯度下降法进行优化时,基于判别网络的对抗神经目标函数更新各部分网络权值,其中,
对抗神经网络目标函数表示为:
其中,训练判别网络D(x)使得最大概率地正确区分训练样本的标签,即通过最大化log D(x)实现,训练生成网络G(z)通过最小化log(1 – D(G(z)))实现,即最大化判别D(x)的损失。
其中,步骤(三)中的异常判别阈值通过以下过程获得:
利用训练好的A模型,将训练样本集中的所有正常样本输入到模型中,计算得到其判别网络输出的属于正常类别和异常类别的信任值,获得所有正常样本被分为异常类别的信任值的最大值,记该最大值θ为异常判别阈值。
其中,步骤(一)中的视频切分的时长为5秒。
以上所述是本发明的优选实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,根据本发明的技术方案及其发明构思加以等同替换或改变,都应涵盖在本发明的保护范围之内。
Claims (8)
1.一种基于对抗神经网络的电缆隧道异常检测方法,其特征在于,包括训练阶段和测试阶段,在所述训练阶段通过网络学习正常数据的数据分布,得到的模型A只能生成或者重建正常数据;在所述测试阶段,使用测试样本输入训练好的模型A,如果A经过重建后输出和输入接近,则为正常数据,否则为异常数据,其步骤如下:
(一)将标准视频转换为图像:从标准视频中提取图像序列,按固定时间段进行分类,每一图像类对应一个时间点,再从巡检视频中任取一幅图像,确定巡检图像与标准图像的对应关系,将视频转换为图像;
(二)将正常的标准图像转换成轮廓图:通过Canny 边缘检测算子对正常的标准图像进行边缘检测,得到轮廓图;
(三)将转换好的标准图像及其轮廓图输入到网络进行训练:对抗神经网络包括生成网络G(z)和判别网络D(x),所述生成网络G(z)为生成图片的网络,其将轮廓图尽可能地生成为真实图像,所述判别网络D(x)判别图片真实性的网络,其输入x代表一张图片,输出D(x)代表x为真实图片的概率,所述概率为1,则为真实图片,否则为不真实图片;
其训练过程如下:
固定其中一个网络;
更新另一个网络的训练参数;
从所述网络数据中获得每次迭代需要使用的训练样本,对所述训练样本进行预处理后,作为模型A的输入;
采用随机梯度下降法交替优化判别网络和生成网络,更新各部分网络权值,直至迭代结束;
获得异常判别阈值;
(四)将日常巡检图像转换成轮廓图并输入到训练好的对抗神经网络中;将日常巡检图像通过Canny边缘检测算子进行边缘检测,得到轮廓图,输入到训练好的对抗神经网络中;
(五)找出两幅图像的差异部分:将生成的图像与真实的巡检图像做差值,如果差值大于异常判别阈值,则该区域为异常区域。
2.根据权利要求1所述的一种基于对抗神经网络的电缆隧道异常检测方法,其特征在于,步骤(三)中的所述生成网络G(z)输入给判别网络D(x)判别并得到相应的误差梯度,反向传播这些图片梯度成为组成生成网络G(z)的权重。
3.根据权利要求1所述的一种基于对抗神经网络的电缆隧道异常检测方法,其特征在于,步骤(三)中的所述训练参数包括最小批次值N batch 、最大迭代次数M、卷积和反卷积网络的层数以及每层网络的特征图数量。
4.根据权利要求1所述的一种基于对抗神经网络的电缆隧道异常检测方法,其特征在于,所述预处理包括图片尺寸归一化和像素值归一化。
5.根据权利要求4所述的一种基于对抗神经网络的电缆隧道异常检测方法,其特征在于,所述像素值归一化具体为:
将图片RGB三通道上的像素值减去训练样本集上所有图片的RGB均值,然后再将所有通道上的像素值归一化成[0,1]之间。
7.根据权利要求1所述的一种基于对抗神经网络的电缆隧道异常检测方法,其特征在于,步骤(三)中的所述异常判别阈值通过以下过程获得:
利用训练好的A模型,将训练样本集中的所有正常样本输入到模型中,计算得到其判别网络输出的属于正常类别和异常类别的信任值,获得所有正常样本被分为异常类别的信任值的最大值,记该最大值θ为异常判别阈值。
8.根据权利要求1所述的一种基于对抗神经网络的电缆隧道异常检测方法,其特征在于,步骤(一)中的所述视频切分的时长为5秒。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011586344.7A CN112508946B (zh) | 2020-12-29 | 2020-12-29 | 一种基于对抗神经网络的电缆隧道异常检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011586344.7A CN112508946B (zh) | 2020-12-29 | 2020-12-29 | 一种基于对抗神经网络的电缆隧道异常检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112508946A true CN112508946A (zh) | 2021-03-16 |
CN112508946B CN112508946B (zh) | 2024-04-26 |
Family
ID=74951783
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011586344.7A Active CN112508946B (zh) | 2020-12-29 | 2020-12-29 | 一种基于对抗神经网络的电缆隧道异常检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112508946B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113724252A (zh) * | 2021-10-11 | 2021-11-30 | 北京中科智眼科技有限公司 | 一种基于深度对偶网络特征匹配的工业图像异常检测方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2015001544A2 (en) * | 2013-07-01 | 2015-01-08 | Agent Video Intelligence Ltd. | System and method for abnormality detection |
CN110889811A (zh) * | 2019-12-05 | 2020-03-17 | 中南大学 | 一种照片修复系统构建方法、照片修复方法及系统 |
CN111223093A (zh) * | 2020-03-04 | 2020-06-02 | 武汉精立电子技术有限公司 | 一种aoi缺陷检测方法 |
CN111415316A (zh) * | 2020-03-18 | 2020-07-14 | 山西安数智能科技有限公司 | 基于生成对抗网络的缺陷数据合成算法 |
CN111652864A (zh) * | 2020-05-29 | 2020-09-11 | 沈阳铸造研究所有限公司 | 一种基于条件式生成对抗网络的铸件缺陷图像生成方法 |
-
2020
- 2020-12-29 CN CN202011586344.7A patent/CN112508946B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2015001544A2 (en) * | 2013-07-01 | 2015-01-08 | Agent Video Intelligence Ltd. | System and method for abnormality detection |
CN110889811A (zh) * | 2019-12-05 | 2020-03-17 | 中南大学 | 一种照片修复系统构建方法、照片修复方法及系统 |
CN111223093A (zh) * | 2020-03-04 | 2020-06-02 | 武汉精立电子技术有限公司 | 一种aoi缺陷检测方法 |
CN111415316A (zh) * | 2020-03-18 | 2020-07-14 | 山西安数智能科技有限公司 | 基于生成对抗网络的缺陷数据合成算法 |
CN111652864A (zh) * | 2020-05-29 | 2020-09-11 | 沈阳铸造研究所有限公司 | 一种基于条件式生成对抗网络的铸件缺陷图像生成方法 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113724252A (zh) * | 2021-10-11 | 2021-11-30 | 北京中科智眼科技有限公司 | 一种基于深度对偶网络特征匹配的工业图像异常检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112508946B (zh) | 2024-04-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114549522B (zh) | 基于目标检测的纺织品质量检测方法 | |
CN113989279B (zh) | 基于人工智能及图像处理的塑料薄膜质量检测方法 | |
CN109118479B (zh) | 基于胶囊网络的绝缘子缺陷识别定位装置及方法 | |
CN108711148B (zh) | 一种基于深度学习的轮胎缺陷智能检测方法 | |
CN110992349A (zh) | 一种基于深度学习的地下管道异常自动化定位与识别方法 | |
CN111783616B (zh) | 一种基于数据驱动自学习的无损检测方法 | |
CN114494780A (zh) | 基于特征对比的半监督工业缺陷检测方法及系统 | |
CN111862065A (zh) | 基于多任务深度卷积神经网络的输电线路诊断方法和系统 | |
CN115830407A (zh) | 一种基于yolov4目标检测模型的电缆管线故障判别算法 | |
CN112598666B (zh) | 一种基于卷积神经网络的电缆隧道异常检测方法 | |
CN117541534A (zh) | 一种基于无人机和CNN-BiLSTM模型的输电线路巡检方法 | |
CN113706496B (zh) | 一种基于深度学习模型的飞行器结构裂纹检测方法 | |
CN114549414A (zh) | 一种针对轨道数据的异常变化检测方法及系统 | |
CN112508946A (zh) | 一种基于对抗神经网络的电缆隧道异常检测方法 | |
CN106682604B (zh) | 一种基于深度学习的模糊图像检测方法 | |
CN117011759A (zh) | 钻爆法隧道掌子面围岩多元地质信息解析方法及系统 | |
CN114596244A (zh) | 基于视觉处理和多特征融合的红外图像识别方法及系统 | |
CN114782822A (zh) | 电力设备的状态检测方法、装置、电子设备及存储介质 | |
Wang et al. | Visual defect detection for substation equipment based on joint inspection data of camera and robot | |
CN111368823B (zh) | 一种指针式仪表读数识别方法及装置 | |
CN109767430A (zh) | 有价票据的质量检测方法及质量检测系统 | |
CN113077002A (zh) | 基于空间外差拉曼光谱的机器嗅觉可视化传感数据分析方法 | |
CN117575165B (zh) | 一种数字化配电网的智能巡检管理方法及系统 | |
CN117649387B (zh) | 一种适用于带有表面复杂纹理物体的缺陷检测方法 | |
CN117474915B (zh) | 一种异常检测方法、电子设备及存储介质 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |