[发明专利]一种基于卷积神经网络的热点与MARFE自动检测方法

说明书

本发明公开了一种基于卷积神经网络的热点与MARFE自动检测方法，包括如下步骤：输入图像，对图像进行预处理，特征提取层提取图像的特征，使用分类器去特征进行分类，输出分类结果。本发明提出了一种可以自动检测等离子体放电过程中是否出现Hot Spot与MARFE的方法，设计中尽可能减少卷积核，提高计算速度。

技术领域

本发明属于图像处理领域，尤其涉及一种基于卷积神经网络的热点与MARFE自动检测方法。

背景技术

托卡马克装置是目前被广泛研究的一种聚变装置。为了实现可约束的热核聚变，各个主要经济体在托卡马克装置上投入了大量的资金。目前，托卡马克正在经历由小型装置到大型装置再到商业示范堆的一个过程。随着托卡马克装置越做越大，装置内等离子体约束的等离子体内能也越来越多，真空室壁及其构件上的热负荷也越来越大。从装置上相机拍摄到的图片，可以看到在这些位置产生了明显的光斑。通常，实验人员也会根据这些现象，判断是否产生了Hot Spot现象。但是，通过人眼检测Hot spot现象是一种极为低效的策略。当实验人员需要寻找一些出现Hot Spot的异常放电炮时，从浩如烟海的图像数据中一张一张查找明显是极为浪费时间的。而且，以EAST为例，现在每一轮实验中大概产生近百万的图像。从这些图片中寻找出异常放电炮号将变得不现实。

随着近些年人工智能的兴起，以及GPU等硬件资源的不断更新升级，基于神经网络模型的卷积神经网络不断推动着计算机视觉领域的发展。在图像分类、物体检测等领域，基于卷积神经网络的算法表现十分亮眼。随着卷积神经网络算法的日渐成熟，训练卷积神经模型进行托卡马克装置上Hot Spot、MARFE等现象的检测成为可能。使用卷积神经网络检测Hot Spot、MARFE等现象主要有以下的考虑：1、Hot Spot、MARFE出现时的形状是不规则的，通过纹理信息判断十分困难；2、在偏滤器位形下，X点的存在使得通过灰阶变化来确定HotSpot与MARFE存在误判的可能。

发明内容

为了准确地检测Hot Spot、MARFE等现象，本发明提出了一种基于卷积神经网络的热点与MARFE自动检测方法。该方法可以有效地检测出一张等离子体放电过程中拍摄到的图像是否存在Hot Spot与MARFE等。

为了解决上面的技术问题，本发明采用了如下的技术方案：

一种基于卷积神经网络的热点与MARFE自动检测方法，其特征在于包括以下步骤：

步骤1：输入需要识别的图像；

步骤2：图像缩放，缩放到256*256像素大小；

步骤3：图像预处理，包括对图像进行中值滤波；

步骤4：使用卷积神经网络提取全图特征；

步骤5：使用分类器对提取出来的特征进行分类；

步骤6：输出分类结果。

所述的一种基于卷积神经网络的热点与MARFE自动检测方法，其特征在于：所述步骤4中，卷积神经网络采用三层卷积结构，分为两个卷积和两个池化层；其中第一层卷积核大小为5*5， 步长为1，第二层卷积核大小为3*3，步长为1，卷积核个数为1，两个卷积层后有一个池化层卷积核大小为3*3，步长为2，卷积核个数为2；每一卷积卷积层采用Relu函数作为激活函数进行非线性处理；将池化后得到的特征提取层每一层分割成M*M个小的区域并进行拼接，拼接成M*M*2个特征层；在这些小的区域上做全局的池化，得到M*M*2个特征。

所述的一种基于卷积神经网络的热点与MARFE自动检测方法，其特征在于：所述步骤5中，分类器采用支持向量机、神经网络或朴素贝叶斯分类器。根据实际训练的结果选择表现最优的分类器进行最后的分类工作。