[发明专利]一种基于改进AlexNet的燃弧识别方法

说明书

本发明公开了一种基于改进AlexNet的燃弧识别方法，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，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；本发明采用1×M和M×1大小的卷积核串联代替原始AlexNet网络中M×M大小的卷积核，大大减少了参数数量，并且增加了一个非线性层，使网络结构更深；简化了模型，大大缩短了训练时间，提高了训练效率，识别准确率比原始AlexNet网络更高。

技术领域

本发明涉及图像识别领域，尤其涉及一种基于改进AlexNet的燃弧识别方法。

背景技术

铁路接触网燃弧是由于接触网舞动，受电弓弹跳，电压超过空气的耐受力而使空气电离变成导体然后产生的电弧；燃弧会造成电力机车运行不稳定，使电力机车供电时断时续，造成列车运行过程中不正常的减速和加速，增加了旅途中的不舒适感，通过燃弧报警可以使出故障的接触线或者受电弓得到及时维修，减少铁路供电安全事故的发生；燃弧报警传回到数据终端后需要通过人工判读确认，如果报警误判率太高，则需要耗费大量人力成本，而如果漏报率太高，则会加大事故发生的几率，因此，有效地识别出燃弧可以大大减小人力成本，减少报警中的误报率和漏报率，具有重要意义。

卷积神经网络是人工神经网络的一种，已成为当前语音分析和图像识别领域的研究热点，它的权值共享网络结构使之更类似于生物神经网络，降低了网络模型的复杂度，减少了权值的数量，该优点在网络的输入是多维图像时表现的更为明显，使图像可以直接作为网络的输入，避免了传统识别算法中复杂的特征提取和数据重建过程；卷积网络是为识别二维形状而特殊设计的一个多层感知器，这种网络结构对平移、比例缩放、倾斜或者共他形式的变形具有高度不变性；

AlexNet是在2012年被提出的一个经典之作，并在当年取得了ImageNet最好成绩，但传统的AlexNet模型参数太多，训练效率低，本发明提出一种改进的AlexNet模型，并将其应用于接触网燃弧的识别。

发明内容

为了解决上述问题，本发明提出一种基于改进AlexNet的燃弧识别方法。

具体的，一种基于改进AlexNet的燃弧识别方法，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。

进一步的，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。

进一步的，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。

进一步的，输入层接受尺寸为224×224的图像输入。