一种基于卷积神经网络的瓷瓶裂缝识别方法技术

本发明专利技术提供一种基于卷积神经网络的瓷瓶裂缝识别方法，该方法包括以下步骤：步骤S1，构建用于瓷瓶裂缝识别的多尺度特征卷积神经网络；步骤S2，预处理将训练数据，并将训练数据输入多尺度特征卷积神经网络；步骤S3，将待进行裂缝识别的图片输入训练过的所述多尺度特征卷积神经网络获取识别结果。本发明专利技术采用的特征提取为多特征提取方式，针对不同特征提取层获取不同特征并进行的多层特征融合检测方式，通过融合不同层次的特征获得兼顾位置信息与语义信息的表达能力既丰富又准确的融合特征，从而获得更准确的检测结果。

A method of porcelain bottle crack recognition based on convolution neural network

【技术实现步骤摘要】
一种基于卷积神经网络的瓷瓶裂缝识别方法
本专利技术属于深度学习
，具体涉及一种基于卷积神经网络的瓷瓶裂缝识别方法。
技术介绍
高压线路由于长期在室外环境下运行，在巨大的张力、气温变化、闪电、飞行物撞击以及老化、锈蚀等影响下，会出现瓷瓶破裂，若不及时发现和处理，最终会导致输电线路被破坏，造成大面积的停电以至于产生巨大的经济损失，同时由于输电线路距离地面高，许多隐患通过人工观察很难发现，可靠性差，效率低下。现有技术通常采用由BP神经网络和基于径向基函数网络及不变矩，基于图像操作例如通过图像分割处理，分割出目标区域，从而实现对目标的识别，但是这种技术较为落后，准确率和识别率较低。
技术实现思路
本专利技术提供基于直接预测目标类别的算法，在模型设计上借鉴了深度可分离卷积以及特征融合，从而以实现推理过程速度快、功耗低，同时保证模型对瓷瓶裂缝具有较好的识别效果。具体而言本专利技术提供了一种基于卷积神经网络的瓷瓶裂缝识别方法，其特征在于，所述瓷瓶裂缝识别方法包括以下步骤：步骤S1，构建用于瓷瓶裂缝识别的多尺度特征卷积神经网络；步骤S2，预处理将训练数据，并将所述训练数据输入所述多尺度特征卷积神经网络；步骤S3，将待进行裂缝识别的图片输入训练过的所述多尺度特征卷积神经网络获取识别结果。更进一步地，在步骤S1中，所述多尺度特征卷积神经网络包括11个卷积层和降维卷积核，所述卷积层生成特征图，所述特征图通过所述降维卷积核处理进行多尺度特征融合；所述特征图生成数量与所述降维卷积核数量相同。更进一步地，在步骤S2中，还包括以下步骤：步骤S21：获取用于训练的瓷瓶图像，并对所述瓷瓶图像中裂缝进行标注，作为训练图像；步骤S22：将所述训练图像输入所述多尺度特征卷积神经网络获取多张特征图；步骤S23：在多张特征图上生成目标预选框，训练网络参数。更进一步地，在步骤S21中，所述瓷瓶图像是瓷瓶全景图，所述瓷瓶全景图包括分别具有横向裂缝、纵向裂缝、块状裂缝、网状裂缝和无裂缝的图像。更进一步地，在步骤S21中，所述训练图像是在所述瓷瓶全景图中所述横向裂缝、纵向裂缝、块状裂缝和网状裂缝的位置上设置标注数据框，所述标注数据框采用长方形框。更进一步地，在步骤S22中，所述多尺度特征卷积神经网络获取特征图A’、B’、C’、D’、E’和F’，并进行特征融合，生成特征图A-F。更进一步地，在步骤S3中，还包括以下步骤：步骤S31：获取待进行裂缝识别的瓷瓶图像，并将所述瓷瓶图像输入所述多尺度特征卷积神经网络进行检测；步骤S32：通过所述多尺度特征卷积神经网络获取多张所述特征图；步骤S33：在所述多张特征图上生成默认框；步骤S34：输出筛选后的默认框，并输出经过识别的瓷瓶裂缝图像。更进一步地，在步骤S32中，所述多尺度特征卷积神经网络获取6张特征图A-F，所述特征图A-F大小分别为38×38、19×19、10×10、5×5、3×3和1×1。更进一步地，在步骤S33中，所述特征图A-F大小为n×n，则所述特征图具有n×n个中心点，每个中心点产生k个默认框，所述特征图A-F中的所述k分别为4、6、6、6、4、4。本专利技术的有益效果是：针对现有技术采用通过对图像分割处理，分割出目标区域，然后对目标进行描述的老旧方法；本专利技术采用多特征提取，低层特征图含有较为准确的位置信息，高层次特征图含有丰富的语义信息，针对不同特征提取层获取特征并进行的多层特征融合检测方式，通过融合不同层次的特征获得兼顾位置信息与语义信息的表达能力既丰富又准确的融合特征，从而获得更准确的检测结果。针对现有技术在采用神经网络上仍采用的是BP神经网络等老旧人工神经网络，识别准确率低的问题；本专利技术采用的神经网络深度和宽度都成倍于原神经网络，同时采用深度可分离卷积技术相比传统的卷积操作中实现通道和区域分离的过程分解为分别实现通道与区域的分离的两个过程，将普通卷积的计算量大为压缩，有效的提高了识别速度，更适合在移动端设备上部署。本专利技术将裂缝识别目标分为横向裂缝、纵向裂缝、块状裂缝、网状裂缝、无裂缝5种类型，对于不同类型的裂缝分别进行训练，极大的提高了神经网络检测的准确度。附图说明图1是本专利技术实施例提供的一种基于卷积神经网络的瓷瓶裂缝识别方法的示意图；图2是本专利技术实施例提供的一种基于卷积神经网络的瓷瓶裂缝识别方法中多尺度特征融合的方法示意图。具体实施方式下面通过实施例，并结合附图1-2，对本专利技术的技术方案作进一步具体的说明。如附图1所示，本申请的实施例提供了一种基于卷积神经网络的瓷瓶裂缝识别方法，整个方法的识别流程为：步骤S1，构建用于瓷瓶裂缝识别的多尺度特征卷积神经网络；步骤S2，预处理将训练数据，并将训练数据输入多尺度特征卷积神经网络；步骤S3，将待进行裂缝识别的图片输入训练过的多尺度特征卷积神经网络获取识别结果。具体的，在步骤S1中，首先构建多尺度特征卷积神经网络，本专利技术采用的卷积神经网络基于VGG16网络，前5层网络采用与VGG16网络相同的配置具有5层网络，包括卷积核conv1_1，conv1_2，conv2_1，conv2_2，conv3_1，conv3_2，conv3_3，conv4_1，conv4_2，conv4_3，conv5_1，conv5_2，conv5_3，其中，原VGG16网络结构中的fc6、fc7是全连接层，在本专利技术中经改进成为卷积层6和7，并增加了卷积层8、卷积层9、卷积层10和卷积层11。fc6是原有VGG16网络结构中卷积层5中卷积核conv5_3(1×1×1024)输出的19×19×1024的特征图，并通过卷积核conv7(1×1×1024)的进行操作输出fc7，fc7是19×19×1024的特征图；卷积层8是fc7通过卷积核conv8_1(1×1×256)和conv8_2(3×3×512-S2)两个卷积核进行卷积生成19×19×256和10×10×512的特征图；卷积层9是卷积层8通过卷积核conv9_1(1×1×128)和conv9_2(3×3×256-S2)两个卷积核进行卷积生成10×10×128和5×5×256的特征图；卷积层10是卷积层9通过卷积核conv10_1(1×1×128)和conv10_2(3×3×256-S1)两个卷积核进行卷积生成5×5×128和3×3×256的特征图；卷积层11是卷积层10通过卷积核conv11_1(1×1×128)和conv11_2(3×3×256-S1)两个卷积核进行卷积生成3×3×128和1×1×256的特征图。对于较小目标来说，经过大量的卷积与池化操作后，所代表的特征在最后一层可能仅占有一个像素甚至完全丢失，故此种检测方式因不能充分利用大量较低层特征信息从而极易造成漏检。因此，多尺度特征卷积神经网络还设有6个用于降维的卷积核，分别将由卷积核conv4_3、卷积核con本文档来自技高网...

【技术保护点】
1.一种基于卷积神经网络的瓷瓶裂缝识别方法，其特征在于，所述瓷瓶裂缝识别方法包括以下步骤：/n步骤S1，构建用于瓷瓶裂缝识别的多尺度特征卷积神经网络；/n步骤S2，预处理将训练数据，并将所述训练数据输入所述多尺度特征卷积神经网络；/n步骤S3，将待进行裂缝识别的图片输入训练过的所述多尺度特征卷积神经网络获取识别结果。/n

【技术特征摘要】
1.一种基于卷积神经网络的瓷瓶裂缝识别方法，其特征在于，所述瓷瓶裂缝识别方法包括以下步骤：
步骤S1，构建用于瓷瓶裂缝识别的多尺度特征卷积神经网络；
步骤S2，预处理将训练数据，并将所述训练数据输入所述多尺度特征卷积神经网络；
步骤S3，将待进行裂缝识别的图片输入训练过的所述多尺度特征卷积神经网络获取识别结果。


2.根据权利要求1所述瓷瓶裂缝识别方法，其特征在于，在步骤S1中，所述多尺度特征卷积神经网络包括11个卷积层和降维卷积核，所述卷积层生成特征图，所述特征图通过所述降维卷积核处理进行多尺度特征融合；
所述特征图生成数量与所述降维卷积核数量相同。


3.根据权利要求1所述瓷瓶裂缝识别方法，其特征在于，在步骤S2中，还包括以下步骤：
步骤S21：获取用于训练的瓷瓶图像，并对所述瓷瓶图像中裂缝进行标注，作为训练图像；
步骤S22：将所述训练图像输入所述多尺度特征卷积神经网络获取多张特征图；
步骤S23：在多张特征图上生成目标预选框，训练网络参数。


4.根据权利要求3所述瓷瓶裂缝识别方法，其特征在于，在步骤S21中，所述瓷瓶图像是瓷瓶全景图，所述瓷瓶全景图包括分别具有横向裂缝、纵向裂缝、块状裂缝、网状裂缝和无裂缝的图像。


5.根据权利要求4所述瓷瓶裂缝识别方法，其特征...

【专利技术属性】
技术研发人员：何若太，赵国伟，柴月春，王文博，樊兴超，张娟，张兴忠，
申请(专利权)人：国网山西省电力公司大同供电公司，山西鸿顺通科技有限公司，
类型：发明
国别省市：山西;14