CN113450347A - 输电铁塔的组塔进度识别方法 - Google Patents
输电铁塔的组塔进度识别方法 Download PDFInfo
- Publication number
- CN113450347A CN113450347A CN202110817596.4A CN202110817596A CN113450347A CN 113450347 A CN113450347 A CN 113450347A CN 202110817596 A CN202110817596 A CN 202110817596A CN 113450347 A CN113450347 A CN 113450347A
- Authority
- CN
- China
- Prior art keywords
- tower
- matrix
- images
- layer
- progress
- 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
- 238000000034 method Methods 0.000 title claims abstract description 53
- 230000005540 biological transmission Effects 0.000 title claims abstract description 49
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 title claims description 12
- 229910052742 iron Inorganic materials 0.000 title claims description 6
- 239000011159 matrix material Substances 0.000 claims abstract description 99
- 239000013598 vector Substances 0.000 claims abstract description 53
- 238000012549 training Methods 0.000 claims abstract description 31
- 230000008569 process Effects 0.000 claims abstract description 26
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 14
- 238000013507 mapping Methods 0.000 claims description 25
- 238000011176 pooling Methods 0.000 claims description 19
- 230000006870 function Effects 0.000 claims description 10
- 230000003213 activating effect Effects 0.000 claims description 5
- 230000001131 transforming effect Effects 0.000 claims description 4
- 230000004913 activation Effects 0.000 claims description 3
- 238000010276 construction Methods 0.000 abstract description 11
- 238000012544 monitoring process Methods 0.000 abstract description 8
- 230000006978 adaptation Effects 0.000 abstract description 2
- 230000006872 improvement Effects 0.000 abstract description 2
- 238000012360 testing method Methods 0.000 description 4
- 238000001514 detection method Methods 0.000 description 3
- 208000027418 Wounds and injury Diseases 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 230000006378 damage Effects 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 208000014674 injury Diseases 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000009430 construction management Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 238000012795 verification 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
- G06T2207/30116—Casting
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)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种输电铁塔的组塔进度识别方法,其具体步骤为:S1、收集一组拍摄输电铁塔组塔过程的图像以及其对应的组塔进度标签,根据组塔过程的图像和组塔进度标签构建数据库;S2、将步骤S1中组塔过程的图像导入卷积神经网络提取特征,得到特征矩阵以及特征矩阵对应的标记向量;S3、将特征矩阵和标记向量作为输入,训练超限学习机模型,得到训练后超限学习机模型的模型参数;S4、利用训练后得到的超限学习机模型的模型参数对其他输电铁塔组塔进度图像进行组塔进度情况分类。本发明模型训练和识别的速度快,识别输电铁塔组塔进度的准确度高,适应施工现场对于数据监测识别实时性和准确性的要求,提高工作效率。
Description
技术领域
本发明属于图像分析技术领域,涉及电力工程图分析技术,具体地说,涉及一种输电铁塔的组塔进度识别方法。
背景技术
在电力网络系统中,输电铁塔是其中十分重要的一部分,支撑着大量的输电线路相互连接,保证了整个电力网络系统的正常稳定运转。在输电铁塔组塔过程中,存在由于设备缺陷、违章作业等致使组塔过程中人员伤害、财产损失的隐患,因此,对于项目的施工单位和建设管理单位而言,实时监控组塔状态具有一定的必要性。随着电力物联网、透明电网概念的相继提出,“智能化”成为电力系统的研究重点之一,其作用在于通过大数据汇集各种资源为城市规划建设、生产运行、运营管理、综合服务、新业务新模式发展提供充分有效的数据支持。输电铁塔组塔进度作为众多检测目标中的一环,对于降低组塔期间人员伤害及财产损失,保障施工按时安全完成,有着其重要意义。
当前输电铁塔组塔施工现场对于施工进度及施工安全的掌握多由专门人员在施工现场完成,负责每日检查施工过程中器材和人员操作过程中出现的问题,但利用人眼得到的判断费时费力且效率低下,同时主观性强,准确度不高。
发明内容
本发明针对现有技术存在的工作效率低、准确度不高等上述问题,提供一种输电铁塔的组塔进度识别方法,能够准确识别输电铁塔的组塔进度情况,实现远程智能组塔进度监控,有利于保障电力系统运行稳定,提高工作效率,保障供电需求。
为了达到上述目的,本发明提供了一种输电铁塔的组塔进度识别方法,其具体步骤为:
S1、构建数据库;
收集一组拍摄输电铁塔组塔过程的图像[I1,I2,...,IN]以及其对应的组塔进度标签[y1,y2,...,yN],N为收集的图像总数量,IN为大小X*Y*3的矩阵,其中,X*Y对应图像分辨率,IN(X,Y,1)代表第N张组塔图像在像素(X,Y)位置的R值,IN(X,Y,2)代表第N张组塔图像在像素(X,Y)位置的G值,IN(X,Y,3)代表第N张组塔图像在像素(X,Y)位置的B值;yN表示第N张图像所对应的组塔进度,组塔进度共划分为4种,分别标记为1、2、3、4,根据组塔过程的图像和组塔进度标签构建数据库;
S2、将步骤S1中组塔过程的图像导入卷积神经网络提取特征,得到特征矩阵F以及特征矩阵F对应的标记向量L;
S3、将特征矩阵F和标记向量L作为输入,训练超限学习机模型,得到训练后超限学习机模型的模型参数;
S4、利用训练后得到的超限学习机模型的模型参数对其他输电铁塔组塔进度图像进行组塔进度情况分类。
优选的,步骤S2中,卷积神经网络选用Alexnet网络,所述Alexnet网络包括5个卷积层、3个池化层和3个全连接层,第一卷积层为输入层,第一池化层位于第一卷积层和第二卷积层之间,第二池化层位于第第二卷积层与第三卷积层之间,第三卷积层、第四卷积层、第五卷积层依次连接,第三池化层连接第五卷积层,三个全连接层依次连接,第一全连接层与第三池化层连接,第三全连接层为输出层。
优选的采用Alexnet网络提取特征的具体步骤为:
(1)将全部N张输电铁塔组塔过程的图像作为输入导入Alexnet网络中,输入前将图像的尺寸大小统一调整为227*227*3;
(2)图像经过Alexnet网络中的卷积层、池化层及全连接层,至Alexnet网络的第二个全连接层时已汇集所有空间位置的输入特征,从其中提取出图像的4096维特征,每张图像特征因子组成维度为1×4096的特征向量fN=[pN,1 pN,2 … pN,4096],全部N张图像的特征向量按行拼接得到特征矩阵F:
其中,特征矩阵F的维度为N×4096;
根据特征矩阵F中图像排列顺序得到特征矩阵F对应的标记向量L:
其中,标记向量L的维度为N×1,L中每个元素代表对应图像所示的输电铁塔组塔进度,标记为1、2、3、4。
优选的,步骤S3中,训练超限学习机模型的具体步骤为:
(1)设置超限学习机模型中隐含层节点个数为k,系统随机生成一个由特征空间向隐含层空间投影的权重映射矩阵W表示为:
式中,权重映射矩阵W的维度为c*k,c为卷积神经网络提取的特征维度;
随机生成一个1*k维的偏置向量b表示为:
b=[b1 b2 … bk] (4)
其中,权重映射矩阵W和偏置向量b中的元素都是随机生成的数;
(2)输入特征矩阵F至超限学习机模型后,按公式H=F*W+B得到矩阵H,其中B是基于偏置向量b的扩展后的N*k维矩阵,B=D*b,D是维度为N*1的全1矩阵,N为样本个数;选取sigmoid函数为激活函数,通过公式Hg=g(H)将输入层的特征数据映射至隐含层,Hg维度与H一致,都为N*k;
(3)将已经映射至隐含层的特征数据进一步变换作为隐含层的输出,利用公式HgP=L求解k*1维的输出权重矩阵P,输出权重矩阵P的解由得出,其中为Hg的广义逆矩阵;所述权重映射矩阵W、偏置向量b和输出权重矩阵P即为训练后超限学习机模型的模型参数。
优选的,步骤S4中,利用训练后得到的超限学习机模型的模型参数对其他输电铁塔组塔进度图像进行组塔进度情况分类的具体步骤为:
(1)收集另一组拍摄输出铁塔组塔过程的图像共M张,将图像按步骤S2提取出相应特征矩阵F及对应的标记向量L;
(2)利用步骤S3中得到的权重映射矩阵W、偏置向量b、输出权重矩阵P,同样选取sigmoid函数为激活函数,通过公式Y=g(F*W+B)*P得到M张图像的分类输出Y,分类输出Y为M*1维矩阵,表示为:
式中,yM为第M张图像的类别标签,表示对应图像的组塔进度情况。
与现有技术相比,本发明的优点和积极效果在于:
本发明提供的输电铁塔的组塔进度识别方法,利用卷积神经网络进行图像特征提取后作为输入训练超限学习机模型,最终得到的训练后超限学习机模型可自动识别输电铁塔的组塔进度情况,相比于人工巡查监管更加高效;本方法模型训练和识别的速度快,识别输电铁塔组塔进度的准确度高,适应施工现场对于数据监测识别实时性和准确性的要求,有利于保障电力系统运行稳定,提高工作效率,保障供电需求。
附图说明
图1为本发明实施例所述输电铁塔的组塔进度识别方法的流程图。
具体实施方式
下面,通过示例性的实施方式对本发明进行具体描述。然而应当理解,在没有进一步叙述的情况下,一个实施方式中的元件、结构和特征也可以有益地结合到其他实施方式中。
在诸多施工现场,智慧安监系统的应用逐渐广泛,其除了常规视频监控外还探讨了智能分析技术,可实现物体移动监测、自动报警、人脸识别、身份验证等功能。在智能安监系统中,实时准确检测识别所需数据是十分重要的一项。近年来,机器学习逐渐成为目标检测方法中的主要研究对象,其中深度学习在特征提取和建模上都有着相较于浅层模型明显的优势。深度学习善于从原始输入数据中挖掘越来越抽象的特征表示,而这些表示具有良好的泛化能力,在实践中,基于卷积神经网络的目标检测与识别方法展现出非常优秀的效果。本发明提供了一种输电铁塔的组塔进度识别方法,利用卷积神经网络进行图像特征提取后作为输入训练超限学习机模型,最终得到的训练后超限学习机模型可自动识别输电铁塔的组塔进度情况,识别输电铁塔组塔进度的准确度高,适应施工现场对于数据监测识别实时性和准确性的要求,有利于保障电力系统运行稳定,提高工作效率,保障供电需求。以下结合附图对本发明提供的而一种输电铁塔的组塔进度识别方法进行详细说明。
参见图1,本发明实施例提供的一种输电铁塔的组塔进度识别方法,其具体步骤为:
S1、构建数据库;
收集一组拍摄输电铁塔组塔过程的图像[I1,I2,...,IN]以及其对应的组塔进度标签[y1,y2,...,yN],N为收集的图像总数量,IN为大小X*Y*3的矩阵,其中,X*Y对应图像分辨率,IN(X,Y,1)代表第N张组塔图像在像素(X,Y)位置的R值,IN(X,Y,2)代表第N张组塔图像在像素(X,Y)位置的G值,IN(X,Y,3)代表第N张组塔图像在像素(X,Y)位置的B值;yN表示第N张图像所对应的组塔进度,组塔进度共划分为4种,分别标记为1、2、3、4,根据组塔过程的图像和组塔进度标签构建数据库。
S2、将步骤S1中组塔过程的图像导入卷积神经网络提取特征,得到特征矩阵F以及特征矩阵F对应的标记向量L。
具体地,本实施例中,卷积神经网络选用Alexnet网络,所述Alexnet网络包括5个卷积层、3个池化层和3个全连接层,第一卷积层为输入层,第一池化层位于第一卷积层和第二卷积层之间,第二池化层位于第第二卷积层与第三卷积层之间,第三卷积层、第四卷积层、第五卷积层依次连接,第三池化层连接第五卷积层,三个全连接层依次连接,第一全连接层与第三池化层连接,第三全连接层为输出层。Alexnet网络的具体结构如表1所示。
表1
具体地,采用Alexnet网络提取特征的具体步骤为:
(1)将全部N张输电铁塔组塔过程的图像作为输入导入Alexnet网络中,输入前将图像的尺寸大小统一调整为227*227*3。需要说明的是,将输入尺寸调整至统一大小是为了适应Alexnet网络的网络架构。
(2)图像经过Alexnet网络中的卷积层、池化层及全连接层,至Alexnet网络的第二个全连接层时已汇集所有空间位置的输入特征,从其中提取出图像的4096维特征,每张图像特征因子组成维度为1×4096的特征向量fN=[pN,1 pN,2 … pN,4096],全部N张图像的特征向量按行拼接得到特征矩阵F:
其中,特征矩阵F的维度为N×4096;
根据特征矩阵F中图像排列顺序得到特征矩阵F对应的标记向量L:
其中,标记向量L的维度为N×1,L中每个元素代表对应图像所示的输电铁塔组塔进度,标记为1、2、3、4。
S3、将特征矩阵F和标记向量L作为输入,训练超限学习机模型,得到训练后超限学习机模型的模型参数。
具体地,训练超限学习机模型的具体步骤为:
(1)设置超限学习机模型中隐含层节点个数为k,由超限学习机模型随机生成一个由特征空间向隐含层空间投影的权重映射矩阵W表示为:
式中,权重映射矩阵W的维度为c*k,c为卷积神经网络提取的特征维度;
随机生成一个1*k维的偏置向量b表示为:
b=[b1 b2 … bk] (4)
其中,权重映射矩阵W和偏置向量b中的元素都是随机生成的数。
需要说明的是,权重映射矩阵W中的特征维度c对应步骤S2中卷积神经网络提取的特征维度。例如:卷积神经网络采用Alexnet网络时,其提取出图像的4096维特征,则特征维度c=4096。
(2)输入特征矩阵F至超限学习机模型后,按公式H=F*W+B得到矩阵H,其中B是基于偏置向量b的扩展后的N*k维矩阵,B=D*b,D是维度为N*1的全1矩阵,N为样本个数;选取sigmoid函数为激活函数,通过公式Hg=g(H)将输入层的特征数据映射至隐含层,Hg维度与H一致,都为N*k;
(3)将已经映射至隐含层的特征数据进一步变换作为隐含层的输出,利用公式HgP=L求解k*1维的输出权重矩阵P,输出权重矩阵P的解由得出,其中为Hg的广义逆矩阵;所述权重映射矩阵W、偏置向量b和输出权重矩阵P即为训练后超限学习机模型的模型参数。
S4、利用训练后得到的超限学习机模型的模型参数对其他输电铁塔组塔进度图像进行组塔进度情况分类。其具体步骤为:
(1)收集另一组拍摄输出铁塔组塔过程的图像共M张,将图像按步骤S2提取出相应特征矩阵F及对应的标记向量L;
(2)利用步骤S3中得到的权重映射矩阵W、偏置向量b、输出权重矩阵P,同样选取sigmoid函数为激活函数,通过公式Y=g(F*W+B)*P得到M张图像的分类输出Y,分类输出Y为M*1维矩阵,表示为:
式中,yM为第M张图像的类别标签,表示对应图像的组塔进度情况。
为了说明本发明上述一种输电铁塔的组塔进度识别方法的效果,以下以一组已标记组塔进度的输电铁塔组塔过程图像为样本对本发明提供的组塔进度识别方法进行说明。其组塔进度识别方法的具体步骤为:
S1、构建数据库;
收集一组拍摄输电铁塔组塔过程的图像共128张[I1,I2,...,I128]以及其对应的组塔进度标签[y1,y2,...,y128],每张图像像素为4000*3000,存储为大小4000*3000*3的矩阵,IN(X,Y,1)代表第N张组塔图像在像素(X,Y)位置的R值,其值在0-255之间;IN(X,Y,2)代表第N张组塔图像在像素(X,Y)位置的G值,其值在0-255之间;IN(X,Y,3)代表第N张组塔图像在像素(X,Y)位置的B值,其值在0-255之间;yN表示第N张图像所对应的组塔进度,组塔进度共划分为4种,分别标记为1、2、3、4,根据组塔过程的图像和组塔进度标签构建数据库。
S2、将步骤S1中组塔过程的图像导入Alexnet网络提取特征,得到特征矩阵F以及特征矩阵F对应的标记向量L。
具体地,采用Alexnet网络提取特征的具体步骤为:
(1)将全部128张输电铁塔组塔过程的图像的尺寸大小统一调整为227*227*3,并导入Alexnet网络中。
(2)图像经过Alexnet网络中的卷积层、池化层及全连接层,至Alexnet网络的第二个全连接层时已汇集所有空间位置的输入特征,从其中提取出图像的4096维特征,每张图像特征因子组成维度为1×4096的特征向量fN=[pN,1 pN,2 … pN,4096],全部128张图像的特征向量按行拼接得到特征矩阵F:
其中,特征矩阵F的维度为128×4096;
根据特征矩阵F中图像排列顺序得到特征矩阵F对应的标记向量L:
其中,标记向量L的维度为128×1,L中每个元素代表对应图像IN所示的输电铁塔组塔进度,标记为1、2、3、4。
S3、将特征矩阵F和标记向量L作为输入,训练超限学习机模型,得到训练后超限学习机模型的模型参数。
具体地,训练超限学习机模型的具体步骤为:
(1)设置超限学习机模型中隐含层节点个数为500,由超限学习机模型随机生成一个由特征空间向隐含层空间投影的权重映射矩阵W表示为:
式中,权重映射矩阵W的维度为c*k,c为Alexnet网络提取的特征维度,c=4096;
随机生成一个1*500维的偏置向量b表示为:
b=[b1 b2 … b500] (9)
其中,权重映射矩阵W和偏置向量b中的元素都是随机生成的数。
(2)输入特征矩阵F至超限学习机模型后,按公式H=F*W+B得到矩阵H,其中B是基于偏置向量b的扩展后的128*500维矩阵,B=D*b,D是维度为128*1的全1矩阵,N为样本个数;选取sigmoid函数为激活函数,通过公式Hg=g(H)将输入层的特征数据映射至隐含层,Hg维度与H一致,都为128*500。
(3)将已经映射至隐含层的特征数据进一步变换作为隐含层的输出,利用公式HgP=L求解500*1维的输出权重矩阵P,输出权重矩阵P的解由得出,其中为Hg的广义逆矩阵;所述权重映射矩阵W、偏置向量b和输出权重矩阵P即为训练后超限学习机模型的模型参数。
S4、利用训练后得到的超限学习机模型的模型参数对其他输电铁塔组塔进度图像进行组塔进度情况分类。其具体步骤为:
(1)收集另一组拍摄输出铁塔组塔过程的图像共54张,为定量分析本发明组塔进度分类的优越性,全部54张图片已知对应组塔进度,组合为54×1维的标记向量Ltest;组塔进度标签将图像按步骤S2提取出相应54×4096维特征矩阵Ftest
(2)利用步骤S3中得到的权重映射矩阵W、偏置向量b、输出权重矩阵P,同样选取sigmoid函数为激活函数,通过公式Y=g(F*W+B)*P得到M张图像的分类输出Y,分类输出Y为54*1维矩阵,表示为:
对比实际组塔进度标记和超限学习机输出的组塔进度标记之间的误差可得到本次学习的准确度,进一步地,修改设定的隐含层节点k个数为600、800分别,按步骤S3进行超限学习机训练,并利用各自训练后的模型参数重复步骤S4得到不同的图像分类输出Y。得到的各自分类准确度以及训练模型、测试模型时间参见表2。
表2
隐含层节点个数 | 准确度 | 训练模型时间(s) | 测试模型时间(s) |
500 | 0.9444 | 0.109375 | 0.03125 |
600 | 0.9627 | 0.140625 | 0.046875 |
800 | 0.9815 | 0.171875 | 0.109375 |
由表2可以看出,随着所设置的隐含层节点k个数增多,训练后超限学习机模型识别图像所代表的组塔进度准确度随之提高,虽然也伴随着所需时间的增长,但整体超限学习机模型训练和识别比较快速,具有极高的效率。
上述实施例用来解释本发明,而不是对本发明进行限制,在本发明的精神和权利要求的保护范围内,对本发明做出的任何修改和改变,都落入本发明的保护范围。
Claims (5)
1.一种输电铁塔的组塔进度识别方法,其特征在于,其具体步骤为:
S1、构建数据库;
收集一组拍摄输电铁塔组塔过程的图像[I1,I2,...,IN]以及其对应的组塔进度标签[y1,y2,...,yN],N为收集的图像总数量,IN为大小X*Y*3的矩阵,其中,X*Y对应图像分辨率,IN(X,Y,1)代表第N张组塔图像在像素(X,Y)位置的R值,IN(X,Y,2)代表第N张组塔图像在像素(X,Y)位置的G值,IN(X,Y,3)代表第N张组塔图像在像素(X,Y)位置的B值;yN表示第N张图像所对应的组塔进度,组塔进度共划分为4种,分别标记为1、2、3、4,根据组塔过程的图像和组塔进度标签构建数据库;
S2、将步骤S1中组塔过程的图像导入卷积神经网络提取特征,得到特征矩阵F以及特征矩阵F对应的标记向量L;
S3、将特征矩阵F和标记向量L作为输入,训练超限学习机模型,得到训练后超限学习机模型的模型参数;
S4、利用训练后得到的超限学习机模型的模型参数对其他输电铁塔组塔进度图像进行组塔进度情况分类。
2.如权利要求1所述的输电铁塔的组塔进度识别方法,其特征在于,步骤S2中,卷积神经网络选用Alexnet网络,所述Alexnet网络包括5个卷积层、3个池化层和3个全连接层,第一卷积层为输入层,第一池化层位于第一卷积层和第二卷积层之间,第二池化层位于第第二卷积层与第三卷积层之间,第三卷积层、第四卷积层、第五卷积层依次连接,第三池化层连接第五卷积层,三个全连接层依次连接,第一全连接层与第三池化层连接,第三全连接层为输出层。
3.如权利要求2所述的输电铁塔的组塔进度识别方法,其特征在于,采用Alexnet网络提取特征的具体步骤为:
(1)将全部N张输电铁塔组塔过程的图像作为输入导入Alexnet网络中,输入前将图像的尺寸大小统一调整为227*227*3;
(2)图像经过Alexnet网络中的卷积层、池化层及全连接层,至Alexnet网络的第二个全连接层时已汇集所有空间位置的输入特征,从其中提取出图像的4096维特征,每张图像特征因子组成维度为1×4096的特征向量fN=[pN,1 pN,2…pN,4096],全部N张图像的特征向量按行拼接得到特征矩阵F:
其中,特征矩阵F的维度为N×4096;
根据特征矩阵F中图像排列顺序得到特征矩阵F对应的标记向量L:
其中,标记向量L的维度为N×1,L中每个元素代表对应图像所示的输电铁塔组塔进度,标记为1、2、3、4。
4.如权利要求1至3任意一项所述的输电铁塔的组塔进度识别方法,其特征在于,步骤S3中,训练超限学习机模型的具体步骤为:
(1)设置超限学习机模型中隐含层节点个数为k,由超限学习机模型随机生成一个由特征空间向隐含层空间投影的权重映射矩阵W表示为:
式中,权重映射矩阵W的维度为c*k,c为卷积神经网络提取的特征维度;
随机生成一个1*k维的偏置向量b表示为:
b=[b1 b2…bk] (4)
其中,权重映射矩阵W和偏置向量b中的元素都是随机生成的数;
(2)输入特征矩阵F至超限学习机模型后,按公式H=F*W+B得到矩阵H,其中B是基于偏置向量b的扩展后的N*k维矩阵,B=D*b,D是维度为N*1的全1矩阵,N为样本个数;选取sigmoid函数为激活函数,通过公式Hg=g(H)将输入层的特征数据映射至隐含层,Hg维度与H一致,都为N*k;
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110817596.4A CN113450347A (zh) | 2021-07-20 | 2021-07-20 | 输电铁塔的组塔进度识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110817596.4A CN113450347A (zh) | 2021-07-20 | 2021-07-20 | 输电铁塔的组塔进度识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113450347A true CN113450347A (zh) | 2021-09-28 |
Family
ID=77816780
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110817596.4A Pending CN113450347A (zh) | 2021-07-20 | 2021-07-20 | 输电铁塔的组塔进度识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113450347A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115761362A (zh) * | 2022-11-25 | 2023-03-07 | 杭州新中大科技股份有限公司 | 基于特征融合的施工阶段智能识别模型、方法及装置 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105675956A (zh) * | 2016-01-22 | 2016-06-15 | 湖南大学 | 一种基于加窗插值短时傅里叶变换的电压闪变检测方法 |
CN106202920A (zh) * | 2016-07-08 | 2016-12-07 | 中国石油大学(华东) | 一种单站海面气压的数值预报释用方法 |
CN106960176A (zh) * | 2017-02-22 | 2017-07-18 | 华侨大学 | 一种基于超限学习机和颜色特征融合的行人性别识别方法 |
CN108182475A (zh) * | 2017-12-29 | 2018-06-19 | 中南大学 | 一种基于自动编码机-超限学习机的多维度数据特征识别方法 |
CN109615574A (zh) * | 2018-12-13 | 2019-04-12 | 济南大学 | 基于gpu和双尺度图像特征比对的中药识别方法及系统 |
US20210158094A1 (en) * | 2019-11-22 | 2021-05-27 | International Business Machines Corporation | Classifying images in overlapping groups of images using convolutional neural networks |
-
2021
- 2021-07-20 CN CN202110817596.4A patent/CN113450347A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105675956A (zh) * | 2016-01-22 | 2016-06-15 | 湖南大学 | 一种基于加窗插值短时傅里叶变换的电压闪变检测方法 |
CN106202920A (zh) * | 2016-07-08 | 2016-12-07 | 中国石油大学(华东) | 一种单站海面气压的数值预报释用方法 |
CN106960176A (zh) * | 2017-02-22 | 2017-07-18 | 华侨大学 | 一种基于超限学习机和颜色特征融合的行人性别识别方法 |
CN108182475A (zh) * | 2017-12-29 | 2018-06-19 | 中南大学 | 一种基于自动编码机-超限学习机的多维度数据特征识别方法 |
CN109615574A (zh) * | 2018-12-13 | 2019-04-12 | 济南大学 | 基于gpu和双尺度图像特征比对的中药识别方法及系统 |
US20210158094A1 (en) * | 2019-11-22 | 2021-05-27 | International Business Machines Corporation | Classifying images in overlapping groups of images using convolutional neural networks |
Non-Patent Citations (3)
Title |
---|
PENGYUN LI ET AL.: ""Evaluation on frequency sensitivity of Young’s modulus of a steel transmission tower"", 《5TH INTERNATIONAL CONFERENCE ON ADVANCED DESIGN AND MANUFACTURING ENGINEERING》 * |
张涛: ""特高压输电线路工程施工管理后评价研究"", 《道客巴巴》 * |
黄旭丰: ""基于深度迁移学习的焊接质量在线监测方法研究"", 《道客巴巴》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115761362A (zh) * | 2022-11-25 | 2023-03-07 | 杭州新中大科技股份有限公司 | 基于特征融合的施工阶段智能识别模型、方法及装置 |
CN115761362B (zh) * | 2022-11-25 | 2024-02-06 | 杭州新中大科技股份有限公司 | 基于特征融合的施工阶段智能识别模型、方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111461291B (zh) | 基于YOLOv3剪枝网络和深度学习去雾模型的长输管线巡检方法 | |
WO2021134871A1 (zh) | 基于局部二值模式和深度学习的合成人脸图像取证方法 | |
WO2020119103A1 (zh) | 基于深度学习的航空发动机孔探图像损伤智能识别方法 | |
CN109376606B (zh) | 一种电力巡检图像杆塔基础故障检测方法 | |
CN109242049B (zh) | 基于卷积神经网络的给水管网多点漏损定位方法及其装置 | |
CN114092832B (zh) | 一种基于并联混合卷积网络的高分辨率遥感影像分类方法 | |
CN102662949B (zh) | 一种基于多特征融合的指定目标检索方法及系统 | |
CN110135295A (zh) | 一种基于迁移学习的无监督行人重识别方法 | |
CN109272500B (zh) | 基于自适应卷积神经网络的织物分类方法 | |
CN112541389B (zh) | 一种基于EfficientDet网络的输电线路故障检测方法 | |
CN106991666B (zh) | 一种适用于多尺寸图片信息的病害图像识别方法 | |
CN104992223A (zh) | 基于深度学习的密集人数估计方法 | |
CN108229589A (zh) | 一种基于迁移学习的地基云图分类方法 | |
CN116503399B (zh) | 基于yolo-afps的绝缘子污闪检测方法 | |
CN116612098B (zh) | 一种基于图像处理的绝缘子rtv喷涂质量评价方法和装置 | |
CN111598854B (zh) | 基于丰富鲁棒卷积特征模型的复杂纹理小缺陷的分割方法 | |
CN111222545A (zh) | 基于线性规划增量学习的图像分类方法 | |
CN107644203A (zh) | 一种形状自适应分类的特征点检测方法 | |
CN113450347A (zh) | 输电铁塔的组塔进度识别方法 | |
CN117422695A (zh) | 一种基于CR-Deeplab的异常检测方法 | |
CN116503398B (zh) | 绝缘子污闪检测方法、装置、电子设备及存储介质 | |
Ren et al. | Steel Surface Defect Detection Using Improved Deep Learning Algorithm: ECA-SimSPPF-SIoU-Yolov5 | |
CN112488135A (zh) | 一种变电站bim三维图像特征的分类方法 | |
Trekin et al. | Satellite imagery analysis for operational damage assessment in Emergency situations | |
CN111191027A (zh) | 一种基于高斯混合分布vae的广义零样本识别方法 |
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: 20210928 |