CN114066819B - 基于卷积神经网络深度学习的环境腐蚀严酷度识别方法 - Google Patents
基于卷积神经网络深度学习的环境腐蚀严酷度识别方法 Download PDFInfo
- Publication number
- CN114066819B CN114066819B CN202111241922.8A CN202111241922A CN114066819B CN 114066819 B CN114066819 B CN 114066819B CN 202111241922 A CN202111241922 A CN 202111241922A CN 114066819 B CN114066819 B CN 114066819B
- Authority
- CN
- China
- Prior art keywords
- neural network
- training
- deep learning
- corrosion severity
- network deep
- 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
- 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
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/047—Probabilistic or stochastic 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
- 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
-
- 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
- G06T2207/30164—Workpiece; Machine component
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Probability & Statistics with Applications (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Quality & Reliability (AREA)
- Testing Resistance To Weather, Investigating Materials By Mechanical Methods (AREA)
Abstract
本发明公开了一种基于卷积神经网络深度学习的环境腐蚀严酷度识别方法,通过神经网络深度学习模型进行训练,建立铜试验片的照片数据和服役时间与电器服役环境的实测腐蚀严酷度等级之间的关联关系,以得到环境腐蚀严酷度等级识别模型;再通过采集铜试验片放置在目标电器服役环境中经过预设服役时间后的照片数据,即可通过环境腐蚀严酷度等级识别模型快速识别出目标电器服役环境的预测腐蚀严酷度等级;因本发明在步骤S3所示的应用阶段能够在目标电器服役环境现场完成,无需将试验样片运输到实验室进行试验,因此能够大大缩短对目标电器服役环境的预测腐蚀严酷度等级识别时间,减少试验样片运输及人工分析判别的成本。
Description
技术领域
本发明涉及电器服役环境的试验与评价,具体的说是一种基于卷积神经网络深度学习的环境腐蚀严酷度识别方法。
背景技术
随着中国经济快速发展,中国电器产品已经走向世界,以及中国海洋经济高质量发展战略的实施,如海上风电、海上光伏等涉海电器产品设备正在快速建设当中,无论是在海洋岛屿、近海陆地以及世界其它地区,电器产品的金属元件都会受到空气腐蚀污染物质的影响而发生腐蚀,使电器产品的性能及寿命显著下降,严重时甚至威胁到使用者的财产及人身安全。因此对电器产品设备的腐蚀速率以及电器产品所处环境腐蚀严酷度等级研究具有重大意义。
传统的电器产品服役环境腐蚀严酷度等级辨识方法和手段需要将测试样片邮寄回实验室,然后通过专业的设备和人员来进行操作处理。该方法存在成本高、效率低、操作专业性过强等缺点。
发明内容
本发明所要解决的技术问题是:提供一种基于卷积神经网络深度学习的环境腐蚀严酷度识别方法。
解决上述技术问题,本发明所采用的技术方案如下:
一种基于卷积神经网络深度学习的环境腐蚀严酷度识别方法,其特征在于,包括:
步骤S1、对多个不同的电器服役环境进行数据采集,每一个电器服役环境的数据采集方式均为:将铜试验片放置在电器服役环境中,并在多个检查时间点对铜试验片进行检测;以总共获得N组实测数据,每一组实测数据均包含一个电器服役环境的实测腐蚀严酷度等级以及放置在该电器服役环境中的铜试验片在同一检查时间点的照片数据和服役时间;其中,所述照片数据能够表征铜试验片的腐蚀状态,所述服役时间为从铜试验片放置在电器服役环境中到检查时间点的时间,所述照片数据和服役时间均经过归一化处理;
步骤S2、搭建神经网络深度学习模型,并用所述N组实测数据对该神经网络深度学习模型进行训练,以得到环境腐蚀严酷度等级识别模型;其中,所述照片数据和服役时间作为神经网络深度学习模型的输入,所述实测腐蚀严酷度等级作为神经网络深度学习模型的输出;其中,所述神经网络深度学习模型可以是现有的神经网络模型。
步骤S3、将铜试验片放置在目标电器服役环境中,在经过预设服役时间后采集该铜试验片的照片数据,并将该预设服役时间和照片数据输入所述环境腐蚀严酷度等级识别模型,输出的计算结果即为所述目标电器服役环境的预测腐蚀严酷度等级。
从而,本发明可快速识别出目标电器服役环境的预测腐蚀严酷度等级;因本发明在步骤S3所示的应用阶段能够在目标电器服役环境现场完成,无需将试验样片运输到实验室进行试验,因此能够大大缩短对目标电器服役环境的预测腐蚀严酷度等级识别时间,减少试验样片运输及人工分析判别的成本。
其中,按照《AMERICAN NATIONAL STANDARD ANSI/ISA-71.04-2013EnvironmentalConditions for Process Measurement and Control Systems:Airborne Contaminants》标准方法,对所述铜试验片进行测试,测得铜试验片的腐蚀量和单位时间内的腐蚀速率,再计算得到所述实测腐蚀严酷度等级,按照该标准方法,电器服役环境的实测腐蚀严酷度等级分为G1、G2、G3、GX四个级别;且由于该标准方法对铜试验片存在破坏性,一般采用在电器服役环境中同时放置多片铜试验片,并在每一个检查时间点取出一片铜试验片进行测试的方式,实现实测腐蚀严酷度等级的测量。
另外,服役时间的单位优选为天,检查时间点按天数的整数倍设置。
优选的:所述铜试验片按照ASTM B823标准的要求制作而成,以最能反映出所述电器服役环境对在其中服役的电器的环境腐蚀严酷度等级。
作为本发明的优选实施方式:如图1所示,所述步骤S2中,所述神经网络深度学习模型的搭建方法包括:
步骤S2-1、搭建照片数据输入端模块:使输入神经网络深度学习模型的照片数据,输入到预训练卷积神经网络的卷积基,并在该卷积基后依次添加Flatten层、第一Dense全连接层和Dropout层,以输出图像特征信息;其中,所述第一Dense全连接层的神经元个数和激活函数分别设为256和Relu函数,所述Dropout层的dropout比率为50%;也即:不采用所述预训练卷积神经网络的分类器,改为采用Flatten层、第一Dense全连接层和Dropout层组成新的分类器;Flatten层的作用是把卷积基输出的图像特征数据拉伸成一维数据;第一Dense全连接层用于提取照片的全局信息,Dropout层的作用是减低网络过拟合。
步骤S2-2、搭建服役时间输入端模块:使输入神经网络深度学习模型的服役时间,输入到第二Dense全连接层,以输出服役时间信息;其中,所述第二Dense全连接层的神经元个数和激活函数分别设为32和Relu函数;
步骤S2-3、搭建输出端模块:将所述照片数据输入端模块输出的图像特征信息和服役时间输入端模块输出的服役时间信息通过Concatenate函数合并到一起后,再依次通过第三Dense全连接层和第四Dense全连接层,输出所述实测腐蚀严酷度等级;其中,所述第三Dense全连接层的神经元个数和激活函数分别设为512和Relu函数;所述第四Dense全连接层的神经元个数和激活函数分别设为K和softmax函数,K为所述实测腐蚀严酷度等级的等级类别数,例如:在所述实测腐蚀严酷度等级由《AMERICAN NATIONAL STANDARD ANSI/ISA-71.04-2013Environmental Conditions for Process Measurement and ControlSystems:Airborne Contaminants》测试得到时,K取值为4,也即G1、G2、G3、GX四个级别;
其中,所述神经网络深度学习模型的损失函数(loss)采用交叉熵函数,以用于衡量概率分布之间的距离。
并且,所述步骤S2中,用所述N组实测数据对神经网络深度学习模型进行训练的过程包括:
步骤S2-4、将所述N组实测数据划分为训练子集和验证子集,所述训练子集包含的实测数据数量N1与验证子集包含的实测数据数量N2之比在60:40至90:10之间;
步骤S2-5、冻结所述预训练卷积神经网络的卷积基,使所述卷积基的权重在训练中保持不变,以按下述训练方式对目标模型进行训练,得到初次训练神经网络深度学习模型,使得该初次训练神经网络深度学习模型除了卷积基权重之外的其余网络权重被训练到适于识别预测腐蚀严酷度等级的较优秀状态;其中,在步骤S2-5中,所述目标模型为所述神经网络深度学习模型;
步骤S2-6、解冻所述预训练卷积神经网络的最后W层卷积基,W≤10,使最后W层卷积基的权重在训练中能够得到更新,以按下述训练方式对目标模型进行训练,得到所述环境腐蚀严酷度等级识别模型,使得该环境腐蚀严酷度等级识别模型的网络权重被训练到适于识别预测腐蚀严酷度等级的最优状态;其中,在步骤S2-6中,所述目标模型为所述步骤S2-5得到的初次训练神经网络深度学习模型;解冻卷积基的层数W限定为最后10层以内,也即W≤10,是为了防止步骤S2-6的训练过多的修改原网络的权重,避免破坏了图片特征的提取效果。
其中,所述训练方式为:
首先,用所述训练子集对所述目标模型进行训练,共训练X步次(epoch),50≤X≤1000;在每一步次的训练中,所述目标模型分m1次处理所述训练子集中的全部N1组实测数据,且所述目标模型每次批量处理n1组实测数据,且满足:m1*n1≥N1,8≤n1≤N1/10;
并且,在每一步次的训练完成后,均用所述验证子集中的实测数据测试该步次所训练得到目标模型的准确率;
然后,比较X步次所训练得到目标模型的准确率,将其中准确率最高对应的步次记为第X1步次,1≤X1≤X;
最后,用所述N组实测数据(也即包含训练子集和验证子集的全部实测数据)重新对初始的目标模型进行训练,共训练X1步次,第X1步次所训练得到的目标模型即为训练结果(也即:步骤S2-5得到的初次训练神经网络深度学习模型,步骤S2-6得到的环境腐蚀严酷度等级识别模型);在每一步次的训练中,所述目标模型分m2次处理所述N组实测数据,且所述目标模型每次批量处理n2组实测数据,且满足:m2*n2≥N,8≤n2≤N/10。
从而,本发明能够使环境腐蚀严酷度等级识别模型更适合基于铜试验片的照片数据和服役时间对目标电器服役环境的预测腐蚀严酷度等级进行识别,提高对目标电器服役环境的腐蚀严酷度等级的识别准确率;
其中,由于预训练卷积神经网络的神经元个数有上百万个以上,而用于训练的N组实测数据则难以达到这个数量级,使得预训练卷积神经网络很可能会出现过拟合现象,因而通过采用dropout比率设置为50%的Dropout层,便能够起到减小模型过拟合的效果,有助于提高环境腐蚀严酷度等级识别模型的识别能力;
而且,本发明对目标模型进行训练时,先用训练子集进行训练以找出目标模型的准确率最高的最优迭代步数,也即第X1步次,再用全部N组实测数据进行X1步次的训练,能够有助于提高目标模型(也即:步骤S2-5的初次训练神经网络深度学习模型,步骤S2-6的环境腐蚀严酷度等级识别模型)对环境腐蚀严酷度等级的识别准确率;
综上所述,本发明具有对目标电器服役环境的腐蚀严酷度等级的识别准确率高的优点。
优选的:所述步骤S2-1中,所述预训练卷积神经网络可以但不限于为已在ImageNet项目上训练好的VGG16、VGG19、Xception、Inception V3、resNet50、MobileNet中的任意一种神经网络。由于ImageNet项目上训练好的神经网络是在140万张图片上训练的神经网络,可对图片进行有效的特征提取,这有助于本发明提高对照片数据的识别准确率。
优选的:所述神经网络深度学习模型利用python软件的keras库进行搭建。
作为本发明的优选实施方式:所述照片数据的归一化处理方式为:将所述铜试验片的全部照片均解码为RGB像素网格,并同时将每一张照片的高度和宽度调整为相同尺寸,且所述高度和宽度均在400像素以内,并且,将所述照片的每个像素值(0~255)均除于255,使每个像素值均归一化到[0,1]区间,以得到所述N组实测数据的照片数据。
作为本发明的优选实施方式:所述服役时间的归一化处理方式为:将所述N组实测数据的每一个服役时间均按以下公式进行转换;
式中,xnorm表示经过归一化处理的服役时间,x表示归一化处理之前的服役时间,xmin表示所述N组实测数据中在归一化处理之前最小的服役时间,xmax表示所述N组实测数据中在归一化处理之前最大的服役时间。
与现有技术相比,本发明具有以下有益效果:
第一,本发明通过神经网络深度学习模型进行训练,建立铜试验片的照片数据和服役时间与电器服役环境的实测腐蚀严酷度等级之间的关联关系,以得到环境腐蚀严酷度等级识别模型;再通过采集铜试验片放置在目标电器服役环境中经过预设服役时间后的照片数据,即可通过环境腐蚀严酷度等级识别模型快速识别出目标电器服役环境的预测腐蚀严酷度等级;因本发明在步骤S3所示的应用阶段能够在目标电器服役环境现场完成,无需将试验样片运输到实验室进行试验,因此能够大大缩短对目标电器服役环境的预测腐蚀严酷度等级识别时间,减少试验样片运输及人工分析判别的成本。
第二,本发明采用预训练卷积神经网络的卷积基以及由Flatten层、第一Dense全连接层和Dropout层组成的分类器,组成照片数据输入端模块,采用第二Dense全连接层组成服役时间输入端模块,采用Concatenate函数、第三Dense全连接层和第四Dense全连接层组成输出端模块,以搭建形成神经网络深度学习模型,并在进行训练时,先通过步骤S2-5在冻结卷积基权重的情况下对神经网络深度学习模型进行训练,得到初次训练神经网络深度学习模型,使得该初次训练神经网络深度学习模型除了卷积基权重之外的其余网络权重被训练到适于识别预测腐蚀严酷度等级的较优秀状态,再通过步骤S2-6在解冻最后W层卷积基权重的情况下对初次训练神经网络深度学习模型进行训练,得到环境腐蚀严酷度等级识别模型,使得该环境腐蚀严酷度等级识别模型的网络权重被训练到适于识别预测腐蚀严酷度等级的最优状态;因此,能够使环境腐蚀严酷度等级识别模型更适合基于铜试验片的照片数据和服役时间对目标电器服役环境的预测腐蚀严酷度等级进行识别,提高对目标电器服役环境的腐蚀严酷度等级的识别准确率;
其中,由于预训练卷积神经网络的神经元个数有上百万个以上,而用于训练的N组实测数据则难以达到这个数量级,使得预训练卷积神经网络很可能会出现过拟合现象,因而通过采用dropout比率设置为50%的Dropout层,便能够起到减小模型过拟合的效果,有助于提高环境腐蚀严酷度等级识别模型的识别能力;
而且,本发明对目标模型进行训练时,先用训练子集进行训练以找出目标模型的准确率最高的最优迭代步数,也即第X1步次,再用全部N组实测数据进行X1步次的训练,能够有助于提高目标模型(也即:步骤S2-5的初次训练神经网络深度学习模型,步骤S2-6的环境腐蚀严酷度等级识别模型)对环境腐蚀严酷度等级的识别准确率;
综上所述,本发明具有对目标电器服役环境的腐蚀严酷度等级的识别准确率高的优点。
附图说明
下面结合附图和具体实施例对本发明作进一步的详细说明:
图1为本发明所搭建的神经网络深度学习模型的结构图。
具体实施方式
下面结合实施例及其附图对本发明进行详细说明,以帮助本领域的技术人员更好的理解本发明的发明构思,但本发明权利要求的保护范围不限于下述实施例,对本领域的技术人员来说,在不脱离本发明之发明构思的前提下,没有做出创造性劳动所获得的所有其他实施例,都属于本发明的保护范围。
实施例一
本发明公开的是一种基于卷积神经网络深度学习的环境腐蚀严酷度识别方法,其特征在于,包括:
步骤S1、对多个不同的电器服役环境进行数据采集,每一个电器服役环境的数据采集方式均为:将铜试验片放置在电器服役环境中,并在多个检查时间点对铜试验片进行检测;以总共获得N组实测数据,每一组实测数据均包含一个电器服役环境的实测腐蚀严酷度等级以及放置在该电器服役环境中的铜试验片在同一检查时间点的照片数据和服役时间;其中,所述照片数据能够表征铜试验片的腐蚀状态,所述服役时间为从铜试验片放置在电器服役环境中到检查时间点的时间,所述照片数据和服役时间均经过归一化处理;
步骤S2、搭建神经网络深度学习模型,并用所述N组实测数据对该神经网络深度学习模型进行训练,以得到环境腐蚀严酷度等级识别模型;其中,所述照片数据和服役时间作为神经网络深度学习模型的输入,所述实测腐蚀严酷度等级作为神经网络深度学习模型的输出;其中,所述神经网络深度学习模型可以是现有的神经网络模型。
步骤S3、将铜试验片放置在目标电器服役环境中,在经过预设服役时间后采集该铜试验片的照片数据,并将该预设服役时间和照片数据输入所述环境腐蚀严酷度等级识别模型,输出的计算结果即为所述目标电器服役环境的预测腐蚀严酷度等级。
从而,本发明可快速识别出目标电器服役环境的预测腐蚀严酷度等级;因本发明在步骤S3所示的应用阶段能够在目标电器服役环境现场完成,无需将试验样片运输到实验室进行试验,因此能够大大缩短对目标电器服役环境的预测腐蚀严酷度等级识别时间,减少试验样片运输及人工分析判别的成本。
其中,按照《AMERICAN NATIONAL STANDARD ANSI/ISA-71.04-2013EnvironmentalConditions for Process Measurement and Control Systems:Airborne Contaminants》标准方法,对所述铜试验片进行测试,测得铜试验片的腐蚀量和单位时间内的腐蚀速率,再计算得到所述实测腐蚀严酷度等级,按照该标准方法,电器服役环境的实测腐蚀严酷度等级分为G1、G2、G3、GX四个级别;且由于该标准方法对铜试验片存在破坏性,一般采用在电器服役环境中同时放置多片铜试验片,并在每一个检查时间点取出一片铜试验片进行测试的方式,实现实测腐蚀严酷度等级的测量。
另外,服役时间的单位优选为天,检查时间点按天数的整数倍设置。
以上为本实施例一的基本实施方式,可以在该基本实施方式的基础上做进一步的优化、改进和限定:
优选的:所述铜试验片按照ASTM B823标准的要求制作而成,以最能反映出所述电器服役环境对在其中服役的电器的环境腐蚀严酷度等级。
实施例二
在上述实施例一的基础上,本实施例二还采用了以下优选的实施方式:
如图1所示,所述步骤S2中,所述神经网络深度学习模型的搭建方法包括:
步骤S2-1、搭建照片数据输入端模块:使输入神经网络深度学习模型的照片数据,输入到预训练卷积神经网络的卷积基,并在该卷积基后依次添加Flatten层、第一Dense全连接层和Dropout层,以输出图像特征信息;其中,所述第一Dense全连接层的神经元个数和激活函数分别设为256和Relu函数,所述Dropout层的dropout比率为50%;也即:不采用所述预训练卷积神经网络的分类器,改为采用Flatten层、第一Dense全连接层和Dropout层组成新的分类器;Flatten层的作用是把卷积基输出的图像特征数据拉伸成一维数据;第一Dense全连接层用于提取照片的全局信息,Dropout层的作用是减低网络过拟合。
步骤S2-2、搭建服役时间输入端模块:使输入神经网络深度学习模型的服役时间,输入到第二Dense全连接层,以输出服役时间信息;其中,所述第二Dense全连接层的神经元个数和激活函数分别设为32和Relu函数;
步骤S2-3、搭建输出端模块:将所述照片数据输入端模块输出的图像特征信息和服役时间输入端模块输出的服役时间信息通过Concatenate函数合并到一起后,再依次通过第三Dense全连接层和第四Dense全连接层,输出所述实测腐蚀严酷度等级;其中,所述第三Dense全连接层的神经元个数和激活函数分别设为512和Relu函数;所述第四Dense全连接层的神经元个数和激活函数分别设为K和softmax函数,K为所述实测腐蚀严酷度等级的等级类别数,例如:在所述实测腐蚀严酷度等级由《AMERICAN NATIONAL STANDARD ANSI/ISA-71.04-2013Environmental Conditions for Process Measurement and ControlSystems:Airborne Contaminants》测试得到时,K取值为4,也即G1、G2、G3、GX四个级别;
其中,所述神经网络深度学习模型的损失函数(loss)采用交叉熵函数,以用于衡量概率分布之间的距离。
并且,所述步骤S2中,用所述N组实测数据对神经网络深度学习模型进行训练的过程包括:
步骤S2-4、将所述N组实测数据划分为训练子集和验证子集,所述训练子集包含的实测数据数量N1与验证子集包含的实测数据数量N2之比在60:40至90:10之间;
步骤S2-5、冻结所述预训练卷积神经网络的卷积基,使所述卷积基的权重在训练中保持不变,以按下述训练方式对目标模型进行训练,得到初次训练神经网络深度学习模型,使得该初次训练神经网络深度学习模型除了卷积基权重之外的其余网络权重被训练到适于识别预测腐蚀严酷度等级的较优秀状态;其中,在步骤S2-5中,所述目标模型为所述神经网络深度学习模型;
步骤S2-6、解冻所述预训练卷积神经网络的最后W层卷积基,W≤10,使最后W层卷积基的权重在训练中能够得到更新,以按下述训练方式对目标模型进行训练,得到所述环境腐蚀严酷度等级识别模型,使得该环境腐蚀严酷度等级识别模型的网络权重被训练到适于识别预测腐蚀严酷度等级的最优状态;其中,在步骤S2-6中,所述目标模型为所述步骤S2-5得到的初次训练神经网络深度学习模型;解冻卷积基的层数W限定为最后10层以内,也即W≤10,是为了防止步骤S2-6的训练过多的修改原网络的权重,避免破坏了图片特征的提取效果。
其中,所述训练方式为:
首先,用所述训练子集对所述目标模型进行训练,共训练X步次(epoch),50≤X≤1000;在每一步次的训练中,所述目标模型分m1次处理所述训练子集中的全部N1组实测数据,且所述目标模型每次批量处理n1组实测数据,且满足:m1*n1≥N1,8≤n1≤N1/10;
并且,在每一步次的训练完成后,均用所述验证子集中的实测数据测试该步次所训练得到目标模型的准确率;
然后,比较X步次所训练得到目标模型的准确率,将其中准确率最高对应的步次记为第X1步次,1≤X1≤X;
最后,用所述N组实测数据(也即包含训练子集和验证子集的全部实测数据)重新对初始的目标模型进行训练,共训练X1步次,第X1步次所训练得到的目标模型即为训练结果(也即:步骤S2-5得到的初次训练神经网络深度学习模型,步骤S2-6得到的环境腐蚀严酷度等级识别模型);在每一步次的训练中,所述目标模型分m2次处理所述N组实测数据,且所述目标模型每次批量处理n2组实测数据,且满足:m2*n2≥N,8≤n2≤N/10。
从而,本发明能够使环境腐蚀严酷度等级识别模型更适合基于铜试验片的照片数据和服役时间对目标电器服役环境的预测腐蚀严酷度等级进行识别,提高对目标电器服役环境的腐蚀严酷度等级的识别准确率;
其中,由于预训练卷积神经网络的神经元个数有上百万个以上,而用于训练的N组实测数据则难以达到这个数量级,使得预训练卷积神经网络很可能会出现过拟合现象,因而通过采用dropout比率设置为50%的Dropout层,便能够起到减小模型过拟合的效果,有助于提高环境腐蚀严酷度等级识别模型的识别能力;
而且,本发明对目标模型进行训练时,先用训练子集进行训练以找出目标模型的准确率最高的最优迭代步数,也即第X1步次,再用全部N组实测数据进行X1步次的训练,能够有助于提高目标模型(也即:步骤S2-5的初次训练神经网络深度学习模型,步骤S2-6的环境腐蚀严酷度等级识别模型)对环境腐蚀严酷度等级的识别准确率;
综上所述,本发明具有对目标电器服役环境的腐蚀严酷度等级的识别准确率高的优点。
以上为本实施例二的基本实施方式,可以在该基本实施方式的基础上做进一步的优化、改进和限定:
优选的:所述步骤S2-1中,所述预训练卷积神经网络可以但不限于为已在ImageNet项目上训练好的VGG16、VGG19、Xception、Inception V3、resNet50、MobileNet中的任意一种神经网络。由于ImageNet项目上训练好的神经网络是在140万张图片上训练的神经网络,可对图片进行有效的特征提取,这有助于本发明提高对照片数据的识别准确率。
优选的:所述神经网络深度学习模型利用python软件的keras库进行搭建。
实施例三
在上述实施例一或实施例二的基础上,本实施例三还采用了以下优选的实施方式:
所述照片数据的归一化处理方式为:将所述铜试验片的全部照片均解码为RGB像素网格,并同时将每一张照片的高度和宽度调整为相同尺寸,且所述高度和宽度均在400像素以内,并且,将所述照片的每个像素值(0~255)均除于255,使每个像素值均归一化到[0,1]区间,以得到所述N组实测数据的照片数据。
实施例四
在上述实施例一至实施例三中任意一个实施例的基础上,本实施例四还采用了以下优选的实施方式:
所述服役时间的归一化处理方式为:将所述N组实测数据的每一个服役时间均按以下公式进行转换;
式中,xnorm表示经过归一化处理的服役时间,x表示归一化处理之前的服役时间,xmin表示所述N组实测数据中在归一化处理之前最小的服役时间,xmax表示所述N组实测数据中在归一化处理之前最大的服役时间。
下面通过实例验证本发明在同时采用上述全部优选方式时的效果:
本实例中,步骤S1将铜试验片在多个不同的电器服役环境(如海上风电的机舱内外以及化工厂的周边等地)放置数十天至数百天,以获得2000组实测数据,并按照85:15的比率划分成训练集数据和测试集数据,训练集数据即所述N组实测数据,也即N=1700;步骤S2,所述预训练卷积神经网络为已在ImageNet项目上训练好的VGG16神经网络,神经网络深度学习模型的损失函数(loss)采用交叉熵函数,学习率取为0.00002;步骤S2-4,训练子集包含的实测数据数量N1与验证子集包含的实测数据数量N2之比为70:15;步骤S2-5和步骤S2-6,用所述训练子集对所述目标模型进行训练,共训练X=150步次,目标模型每次批量处理32组实测数据,其中,最后一次如实测数据少于32组则批量处理剩余的实测数据;步骤S2-6,解冻的卷积基为最后W=10层。
由此,以上述包含300组实测数据的测试集数据所对应的电器服役环境作为目标电器服役环境,用上述1700组实测数据训练得到的环境腐蚀严酷度等级识别模型识别这些目标电器服役环境的预测腐蚀严酷度等级,并将本发明识别出的预测腐蚀严酷度等级与所述测试集数据中的实测腐蚀严酷度等级进行比较,得到本发明对环境腐蚀严酷度等级的识别准确率平均为95.1%,能够满足实际应用中的快速识别使用需求。
本发明不局限于上述具体实施方式,根据上述内容,按照本领域的普通技术知识和惯用手段,在不脱离本发明上述基本技术思想前提下,本发明还可以做出其它多种形式的等效修改、替换或变更,均落在本发明的保护范围之中。
Claims (7)
1.一种基于卷积神经网络深度学习的环境腐蚀严酷度识别方法,其特征在于,包括:
步骤S1、对多个不同的电器服役环境进行数据采集,每一个电器服役环境的数据采集方式均为:将铜试验片放置在电器服役环境中,并在多个检查时间点对铜试验片进行检测;以总共获得N组实测数据,每一组实测数据均包含一个电器服役环境的实测腐蚀严酷度等级以及放置在该电器服役环境中的铜试验片在同一检查时间点的照片数据和服役时间;其中,所述服役时间为从铜试验片放置在电器服役环境中到检查时间点的时间,所述照片数据和服役时间均经过归一化处理;
步骤S2、搭建神经网络深度学习模型,并用所述N组实测数据对该神经网络深度学习模型进行训练,以得到环境腐蚀严酷度等级识别模型;其中,所述照片数据和服役时间作为神经网络深度学习模型的输入,所述实测腐蚀严酷度等级作为神经网络深度学习模型的输出;
步骤S3、将铜试验片放置在目标电器服役环境中,在经过预设服役时间后采集该铜试验片的照片数据,并将该预设服役时间和照片数据输入所述环境腐蚀严酷度等级识别模型,输出的计算结果即为所述目标电器服役环境的预测腐蚀严酷度等级;
所述步骤S2中,所述神经网络深度学习模型的搭建方法包括:
步骤S2-1、搭建照片数据输入端模块:使输入神经网络深度学习模型的照片数据,输入到预训练卷积神经网络的卷积基,并在该卷积基后依次添加Flatten层、第一Dense全连接层和Dropout层,以输出图像特征信息;其中,所述第一Dense全连接层的神经元个数和激活函数分别设为256和Relu函数,所述Dropout层的dropout比率为50%;
步骤S2-2、搭建服役时间输入端模块:使输入神经网络深度学习模型的服役时间,输入到第二Dense全连接层,以输出服役时间信息;其中,所述第二Dense全连接层的神经元个数和激活函数分别设为32和Relu函数;
步骤S2-3、搭建输出端模块:将所述照片数据输入端模块输出的图像特征信息和服役时间输入端模块输出的服役时间信息通过Concatenate函数合并到一起后,再依次通过第三Dense全连接层和第四Dense全连接层,输出所述实测腐蚀严酷度等级;其中,所述第三Dense全连接层的神经元个数和激活函数分别设为512和Relu函数;所述第四Dense全连接层的神经元个数和激活函数分别设为K和softmax函数,K为所述实测腐蚀严酷度等级的等级类别数;
其中,所述神经网络深度学习模型的损失函数采用交叉熵函数;
所述步骤S2中,用所述N组实测数据对神经网络深度学习模型进行训练的过程包括:
步骤S2-4、将所述N组实测数据划分为训练子集和验证子集,所述训练子集包含的实测数据数量N1与验证子集包含的实测数据数量N2之比在60:40至90:10之间;
步骤S2-5、冻结所述预训练卷积神经网络的卷积基,使所述卷积基的权重在训练中保持不变,以按下述训练方式对目标模型进行训练,得到初次训练神经网络深度学习模型;其中,在步骤S2-5中,所述目标模型为所述神经网络深度学习模型;
步骤S2-6、解冻所述预训练卷积神经网络的最后W层卷积基,W≤10,以按下述训练方式对目标模型进行训练,得到所述环境腐蚀严酷度等级识别模型;其中,在步骤S2-6中,所述目标模型为所述步骤S2-5得到的初次训练神经网络深度学习模型;
其中,所述训练方式为:
首先,用所述训练子集对所述目标模型进行训练,共训练X步次,50≤X≤1000;在每一步次的训练中,所述目标模型分m1次处理所述训练子集中的全部N1组实测数据,且所述目标模型每次批量处理n1组实测数据,且满足:m1*n1≥N1,8≤n1≤N1/10;
并且,在每一步次的训练完成后,均用所述验证子集中的实测数据测试该步次所训练得到目标模型的准确率;
然后,比较X步次所训练得到目标模型的准确率,将其中准确率最高对应的步次记为第X1步次,1≤X1≤X;
最后,用所述N组实测数据重新对初始的目标模型进行训练,共训练X1步次,第X1步次所训练得到的目标模型即为训练结果;在每一步次的训练中,所述目标模型分m2次处理所述N组实测数据,且所述目标模型每次批量处理n2组实测数据,且满足:m2*n2≥N,8≤n2≤N/10。
2.根据权利要求1所述基于卷积神经网络深度学习的环境腐蚀严酷度识别方法,其特征在于:按照《AMERICAN NATIONAL STANDARD ANSI/ISA-71.04-2013EnvironmentalConditions for Process Measurement and Control Systems:Airborne Contaminants》标准方法,对所述铜试验片进行测试得到所述实测腐蚀严酷度等级。
3.根据权利要求1所述基于卷积神经网络深度学习的环境腐蚀严酷度识别方法,其特征在于:所述铜试验片按照ASTM B823标准的要求制作而成。
4.根据权利要求1所述基于卷积神经网络深度学习的环境腐蚀严酷度识别方法,其特征在于:所述步骤S2-1中,所述预训练卷积神经网络为已在ImageNet项目上训练好的VGG16、VGG19、Xception、Inception V3、resNet50、MobileNet中的任意一种神经网络。
5.根据权利要求1所述基于卷积神经网络深度学习的环境腐蚀严酷度识别方法,其特征在于:所述神经网络深度学习模型利用python软件的keras库进行搭建。
6.根据权利要求1至3任意一项所述基于卷积神经网络深度学习的环境腐蚀严酷度识别方法,其特征在于:所述照片数据的归一化处理方式为:将所述铜试验片的全部照片均解码为RGB像素网格,并同时将每一张照片的高度和宽度调整为相同尺寸,且所述高度和宽度均在400像素以内,并且,将所述照片的每个像素值均除于255,使每个像素值均归一化到[0,1]区间,以得到所述N组实测数据的照片数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111241922.8A CN114066819B (zh) | 2021-10-25 | 2021-10-25 | 基于卷积神经网络深度学习的环境腐蚀严酷度识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111241922.8A CN114066819B (zh) | 2021-10-25 | 2021-10-25 | 基于卷积神经网络深度学习的环境腐蚀严酷度识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114066819A CN114066819A (zh) | 2022-02-18 |
CN114066819B true CN114066819B (zh) | 2022-08-19 |
Family
ID=80235413
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111241922.8A Active CN114066819B (zh) | 2021-10-25 | 2021-10-25 | 基于卷积神经网络深度学习的环境腐蚀严酷度识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114066819B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115937217B (zh) * | 2023-03-09 | 2023-05-12 | 安格利(成都)仪器设备有限公司 | 一种利用3d卷积和相关性算子来自动检测腐蚀坑的方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111042002A (zh) * | 2020-02-14 | 2020-04-21 | 山东博远重工有限公司 | 一种基于物联网的桥梁模板放置平台系统和方法 |
CN111464791A (zh) * | 2020-04-30 | 2020-07-28 | 柳州欧维姆机械股份有限公司 | 拉索锚头可视化监测系统 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106442303B (zh) * | 2016-09-18 | 2019-08-30 | 中国电器科学研究院股份有限公司 | 一种电子电器服役环境腐蚀性的测量方法 |
US10937006B2 (en) * | 2017-06-09 | 2021-03-02 | The Boeing Company | Method and system for evaluating corrosion loss |
CN108827867B (zh) * | 2018-04-23 | 2020-10-09 | 中国矿业大学 | 基于数据挖掘技术的地铁杂散电流腐蚀特征信息提取方法 |
US10871444B2 (en) * | 2018-08-30 | 2020-12-22 | Saudi Arabian Oil Company | Inspection and failure detection of corrosion under fireproofing insulation using a hybrid sensory system |
CN113056665A (zh) * | 2018-12-10 | 2021-06-29 | 沙特阿拉伯石油公司 | 使用混合传感系统对防火绝缘层下腐蚀进行检查与故障检测 |
CN111862093A (zh) * | 2020-08-06 | 2020-10-30 | 华中科技大学 | 一种基于图像识别的腐蚀等级信息处理方法及系统 |
-
2021
- 2021-10-25 CN CN202111241922.8A patent/CN114066819B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111042002A (zh) * | 2020-02-14 | 2020-04-21 | 山东博远重工有限公司 | 一种基于物联网的桥梁模板放置平台系统和方法 |
CN111464791A (zh) * | 2020-04-30 | 2020-07-28 | 柳州欧维姆机械股份有限公司 | 拉索锚头可视化监测系统 |
Also Published As
Publication number | Publication date |
---|---|
CN114066819A (zh) | 2022-02-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109612708B (zh) | 基于改进卷积神经网络的电力变压器在线检测系统及方法 | |
CN105678332B (zh) | 火焰图像cnn识别建模的转炉炼钢终点判断方法及系统 | |
CN110533631B (zh) | 基于金字塔池化孪生网络的sar图像变化检测方法 | |
CN106991666B (zh) | 一种适用于多尺寸图片信息的病害图像识别方法 | |
CN110188774B (zh) | 一种基于深度学习的电涡流扫描图像分类识别方法 | |
CN107633255A (zh) | 一种深度学习模式下的岩石岩性自动识别分类方法 | |
CN110516735B (zh) | 一种基于LSTM网络和Adam算法的天然气管道事件分类方法 | |
CN107067341B (zh) | 一种基于多级熵权的rbfnn配电自动化系统状态操作评价方法 | |
CN109948527B (zh) | 基于集成深度学习的小样本太赫兹图像异物检测方法 | |
CN113486078A (zh) | 一种分布式配电网运行监控方法及系统 | |
CN111652853A (zh) | 一种基于深度卷积神经网络的磁粉探伤检测方法 | |
CN114066819B (zh) | 基于卷积神经网络深度学习的环境腐蚀严酷度识别方法 | |
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 | |
CN112596016A (zh) | 基于多个一维卷积神经网络集成的互感器故障诊断方法 | |
CN115375635A (zh) | 一种晶圆缺陷的识别方法 | |
CN115791969A (zh) | 基于声发射信号的导管架水下裂纹检测系统及其方法 | |
CN114863361A (zh) | 基于USRNet和YOLOv3的配电线路鸟巢检测方法 | |
CN117113066B (zh) | 一种基于计算机视觉的输电线路绝缘子缺陷检测方法 | |
CN112329868B (zh) | 基于clara聚类的制造加工设备群能效状态评价方法 | |
CN109508820A (zh) | 基于差异化建模的校园用电量预测建模方法 | |
CN114581407B (zh) | 一种光伏模块的自适应缺陷检测方法 | |
CN116051465A (zh) | 基于神经网络模型的紧固件腐蚀图像自动分级方法 | |
CN116030292A (zh) | 基于改进ResNext的混凝土表面粗糙度检测方法 | |
CN115311238A (zh) | 一种基于图像分析的光伏组件缺陷损伤的识别方法 | |
CN117115175B (zh) | 一种溢油在线监测预警方法与系统 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |