一种基于L2归一化的卷积神经网络图象分类方法技术

本发明专利技术涉及电力技术领域，具体涉及一种基于L2归一化的卷积神经网络图象分类方法，包括以下步骤：对采集的每张图像进行L2归一化，并将归一化的图像输入至卷积神经网络的输入层；通过卷积神经网络的卷积层提取输入图像的局部特征，由激活函数输出得到卷积层的获得特征图；通过卷积神经网络的池化层对卷积层输出的特征图进行聚合统计；通过卷积神经网络的全连接层对得到的图像进行特征分类，并由神经网络的输出层输出分类结果。本发明专利技术通过对巡检图像样本进行深度学习训练，实现在变电站复杂环境下对变电站关键部件的智能识别，为后续设备异常识别做准备，减少了人工判读图数量，大大提升巡检效率以及智能化和自动化程度。

A convolutional neural network image classification method based on L2 normalization

【技术实现步骤摘要】
一种基于L2归一化的卷积神经网络图象分类方法
本专利技术涉及电力
，具体涉及一种基于L2归一化的卷积神经网络图象分类方法。
技术介绍
目前，变电站广泛采用高清摄像头、巡检机器人代替人工进行巡检。基于视频监控、巡检机器人所采集的视频分辨率较高，视频数据量较大，现有智能监控系统的图像处理能力不足，导致重要的事件遗失在海量数据中；大量精细的的视频/照片，需要经过专业训练的人员来处理；实时监控会消耗极大人力成本，或者根本没有实时监控，摄像头仅仅只是用来记录；尽管很多视频/照片包含了很重要的事件，在大多数情况下人们没有时间去观看或整理这些内容，海量的巡检数据无法发挥作用。随着计算机技术的迅速发展和科技的不断进步，图像识别技术已经在众多领域中得到了应用。如何利用图像识别技术，充分挖掘现有巡检数据价值，是变电站智能化、自动化面临的主要问题。
技术实现思路
为了解决上述问题，本专利技术提供了一种基于L2归一化的卷积神经网络图象分类方法法，具体技术方案如下：一种基于L2归一化的卷积神经网络图象分类方法，包括以下步骤：S1：对采集的每张图像进行L2归一化，并将归一化的图像输入至卷积神经网络的输入层；S2：通过卷积神经网络的卷积层提取输入图像的局部特征，由激活函数输出得到卷积层的获得特征图；S3：通过卷积神经网络的池化层对卷积层输出的特征图进行聚合统计；S4：通过卷积神经网络的全连接层对步骤S3得到的图像进行特征分类，并由神经网络的输出层输出分类结果。优选地，所述步骤S1的输入层为：，其中为超参数，设向量，对进行L2归一化的处理结果如下：；i=1,2，…,n,为n维矩阵。优选地，所述步骤S2中卷积层的计算公式为：；其中，为输入函数，为网络层数，表示第层的第个特征图，表示第层的第个特征图与第层第个特征图连接之间的卷积核，表示第个特征图对应的偏置项，表示卷积运算，表示激活函数，表示选择的输入图象集合。优选地，所述步骤S2中采用的激活函数为ReLU函数，具体如下：；由于ReLU不存在除法运算，相较于tanh和sigmoid函数，运算速率更高，当输入信号z>0时，输出为正数；输入信号z<0时，输出为0。优选地，所述步骤S3中池化层采用采用最大值采样，公式如下：；其中，为采样函数；为输入函数，为网络层数，表示第层的第个特征图，表示第个特征图对应的偏置项；为权重系数，对应层的第个特征图。优选地，所述步骤S4中全连接层采用Softmax函数进行分类，公式如下：；其中，表示该层的第个输入向量的值，表示输入向量的所有制，可以表示样本属于各个分类的概率；T为Softmax层的输出节点数，也就是分类类别数，k为表示某个类别。本专利技术的有益效果为：本专利技术提供了一种基于L2归一化的卷积神经网络图象分类方法，通过对巡检图像样本进行深度学习训练，实现在变电站复杂环境下对变电站关键部件的智能识别，为后续设备异常识别做准备，减少了人工判读图数量，大大提升巡检效率以及智能化和自动化程度，是人工智能在巡检业务上的具体应用。附图说明图1为本实施例中L2归一化的卷积神经网络图象分类模型的设计示意图。具体实施方式为了更好的理解本专利技术，下面结合附图和具体实施例对本专利技术作进一步说明：一种基于L2归一化的卷积神经网络图象分类方法，包括以下步骤：S1：对采集的每张图像进行L2归一化，并将归一化的图像输入至卷积神经网络的输入层；输入层为：，其中为超参数，设向量，对进行L2归一化的处理结果如下：；i=1,2，…,n,为n维矩阵。S2：通过卷积神经网络的卷积层提取输入图像的局部特征，由激活函数输出得到卷积层的获得特征图。卷积层，为特征提取层，特点的局部感知、参数共享和多卷积核，通过卷积层的每个神经元对图片的局部进行感知，在网络的更高层将局部信息综合起来得到全局信息。卷积核是参数的滑动窗口，其大小跟模型的“深度”设计有关，在输入图象尺寸同等的情况下，每层的卷积核越大，特征图象的尺寸缩小的越快当输入一副尺寸为的特征图，通过大小为的卷积核、步长为的过滤器，则输出特征图大小为。卷积层的计算公式为：；其中，为输入函数，为网络层数，表示第层的第个特征图，表示第层的第个特征图与第层第个特征图连接之间的卷积核，表示第个特征图对应的偏置项，表示卷积运算，表示激活函数，表示选择的输入图象集合。激活函数为ReLU函数，具体如下：；由于ReLU不存在除法运算，相较于tanh和sigmoid函数，运算速率更高，当输入信号z>0时，输出为正数；输入信号z<0时，输出为0。S3：通过卷积神经网络的池化层对卷积层输出的特征图进行聚合统计；池化层也称下采样层，对卷积层输出的特征图进行聚合统计。通过对上层特征进行池化操作，降低特征维度，减少网络参数，采用的采样规则有：均值采样、最大值采样和随机采样。本专利技术中的池化层采用采用最大值采样，公式如下：；其中，为采样函数；为输入函数，为网络层数，表示第层的第个特征图，表示第个特征图对应的偏置项；为权重系数，对应层的第个特征图。本实施例中的卷积神经网络设置4层卷积层、4层池化层，各卷积层、池化层的参数设置如表1所示。表1各卷积层、池化层的参数S4：通过卷积神经网络的全连接层对步骤S3得到的图像进行特征分类，并由神经网络的输出层输出分类结果。经过步骤S2、S3之后，原始图象压缩成batchSize×1536的矩阵，作为全连接层的输入。本实施例中的卷积神经网络设置3层全连接层，各全连接层参数设置如下：表2全连接层参数表全连接层采用Softmax函数进行分类，公式如下：；其中，表示该层的第个输入向量的值，表示输入向量的所有制，可以表示样本属于各个分类的概率；T为Softmax层的输出节点数，也就是分类类别数，k为表示某个类别。将巡检图象作为上述卷积神经网络模型的输入，可以得到输入图象对应的各个类别概率，以最大概率结果作为最终分类，完成图象识别分类。以变压器的呼吸器为例，通过模型超参优化，在batchSize=32，epoch=50，正则化惩罚系数λ=0.003时，模型的分类准确率较高，达到98.79%，总耗时较短，为263.99mm，在变电站复杂环境下能准确对巡检图象进行分类。本专利技术不局限于以上所述的具体实施方式，以上所述仅为本专利技术的较佳实施案例而已，并不用以限制本专利技术，凡在本专利技术的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本专利技术的保护范围之内。本文档来自技高网...

【技术保护点】
1.一种基于L2归一化的卷积神经网络图象分类方法，其特征在于：包括以下步骤：/nS1：对采集的每张图像进行L2归一化，并将归一化的图像输入至卷积神经网络的输入层；/nS2：通过卷积神经网络的卷积层提取输入图像的局部特征，由激活函数输出得到卷积层的获得特征图；/nS3：通过卷积神经网络的池化层对卷积层输出的特征图进行聚合统计；/nS4：通过卷积神经网络的全连接层对步骤S3得到的图像进行特征分类，并由神经网络的输出层输出分类结果。/n

【技术特征摘要】
1.一种基于L2归一化的卷积神经网络图象分类方法，其特征在于：包括以下步骤：
S1：对采集的每张图像进行L2归一化，并将归一化的图像输入至卷积神经网络的输入层；
S2：通过卷积神经网络的卷积层提取输入图像的局部特征，由激活函数输出得到卷积层的获得特征图；
S3：通过卷积神经网络的池化层对卷积层输出的特征图进行聚合统计；
S4：通过卷积神经网络的全连接层对步骤S3得到的图像进行特征分类，并由神经网络的输出层输出分类结果。


2.根据权利要求1所述的一种基于L2归一化的卷积神经网络图象分类方法，其特征在于：所述步骤S1的输入层为：，其中为超参数，设向量，对进行L2归一化的处理结果如下：

；
i=1,2，…,n,为n维矩阵。


3.根据权利要求1所述的一种基于L2归一化的卷积神经网络图象分类方法，其特征在于：所述步骤S2中卷积层的计算公式为：

；
其中，为输入函数，为网络层数，表示第层的第个特征图，表示第层的第个特征图与第层第个特征图连接之间的卷积核，表示第个特征图对应...

【专利技术属性】
技术研发人员：邬蓉蓉，谢植飚，覃剑，黎大健，张炜，陈炜智，兰依，崔志美，陈荭，
申请(专利权)人：广西电网有限责任公司电力科学研究院，
类型：发明
国别省市：广西;45