[发明专利]一种基于改进AlexNet的燃弧识别方法

权利要求书

1.一种基于改进AlexNet的燃弧识别方法，其特征在于，包括以下步骤：

S1.建立卷积神经网络并得到训练模型；

S2.获取图像；

S3.将获取到的图像输入训练模型进行图像识别；

卷积神经网络为改进的AlexNet网络，所述改进的AlexNet网络的结构依次为输入层、多个依次连接的卷积层、全连接层和输出层；与输入层连接的卷积层采用M×M的卷积核架构，其余卷积层采用1×M和M×1的卷积核架构；所述改进的AlexNet网络的输入层和输出层之间依次设置有第一卷积层Conv1、第一池化层、第二卷积层Conv2、第二池化层、第三卷积层Conv3、第四卷积层Conv4、第五卷积层Conv5、第三池化层、第一全连接层FC6及第二全连接层FC7，所述第一卷积层Conv1的卷积核尺寸为M×M；所述第二卷积层Conv2、第三卷积层Conv3、第四卷积层Conv4及第五卷积层Conv5分别包括依次设置的卷积层Conv2_1、Conv2_2，Conv3_1、Conv3_2，Conv4_1、Conv4_2及Conv5_1、Conv5_2，其中，所述卷积层Conv2_1、Conv3_1、Conv4_1及Conv5_1的卷积核尺寸为1×M，所述卷积层Conv2_2、Conv3_2、Conv4_2及Conv5_2的卷积核尺寸为M×1；

所述步骤S1包括：

S11.建立卷积神经网络并初始化；

S12.采集图像并进行预处理，包括剪裁、压缩、去均值、归一化；

S13.为每张图像添加标签，标签信息表示该图像是否包含燃弧；

S14.将图像分为训练样本及验证样本；

S15.输入训练样本训练卷积神经网络并通过验证样本进行验证，判断卷积神经网络的损失值是否收敛于稳定值或是否达到设定的最大迭代步数，若是，执行S16，否则执行S15；

S16.结束训练，输出训练模型；

S15具体实施方法为：将训练样本分批输入卷积神经网络执行前向传播，将输出结果与实际类别进行对比并计算损失值，若损失值未收敛于稳定值或未达到设定的最大迭代步数，则执行反向传播，更新权值，每迭代P步将验证样本输入卷积神经网络执行前向传播，验证网络性能。

2.根据权利要求1所述的一种基于改进AlexNet的燃弧识别方法，其特征在于：输入层接受尺寸为224×224的图像输入。

3.根据权利要求1所述的一种基于改进AlexNet的燃弧识别方法，其特征在于：输出层的节点数为N，N表示图像的类别总数。

4.根据权利要求1所述的一种基于改进AlexNet的燃弧识别方法，其特征在于：输出层为softmax分类器。

5.根据权利要求1所述的一种基于改进AlexNet的燃弧识别方法，其特征在于：所述第一卷积层Conv1的卷积核尺寸为7×7。

6.根据权利要求1所述的一种基于改进AlexNet的燃弧识别方法，其特征在于：所述第一池化层、第二池化层及第三池化层采用最大池化方式。