[发明专利]卷积神经网络模型及其训练方法和装置、巡检方法和装置

权利要求书

1.一种巡检方法，其特征在于，包括：

获取目标对象的巡检图像；

将所述巡检图像输入预先训练的卷积神经网络模型，输出所述巡检图像的识别信息；

所述卷积神经网络模型的训练方法，包括：对获取的训练数据集进行卷积处理，得到所述训练数据集对应的特征映射数据；基于预设的边缘卷积规则，提取所述特征映射数据的有效特征数据；确定所述训练数据集的数据类型；从预设的数据类型与损失函数的关联关系中，确定所述数据类型的关联损失函数作为所述训练数据集对应的损失函数；从预设的数据类型与优化算法的关联关系中，确定所述数据类型的关联优化算法作为所述训练数据集对应的优化算法；基于所述训练数据集对应的优化算法和所述训练数据集对应的损失函数，对所述有效特征数据进行特征训练，得到训练结果；检测所述训练结果是否表示收敛；若所述训练结果表示收敛，构建所述训练的卷积神经网络模型。

2.根据权利要求1所述的巡检方法，其特征在于，所述基于预设的边缘卷积规则，提取所述特征映射数据的有效特征数据，包括：

基于预设的边缘卷积算子，对所述特征映射数据沿第一预设方向进行边缘卷积，得到第一特征参数；

基于所述边缘卷积算子，对所述特征映射数据沿第二预设方向进行边缘卷积，得到第二特征参数；

基于预设的求和算法，将所述第一特征参数和所述第二特征参数进行求和，得到所述有效特征数据。

3.根据权利要求2所述的巡检方法，其特征在于，所述边缘卷积算子包括Sobel边缘卷积算子、Prewitt边缘卷积算子或Scharr边缘卷积算子。

4.根据权利要求1所述的巡检方法，其特征在于，还包括：

检测所述识别信息与预设的危害信息是否相匹配；

若所述识别信息与所述危害信息相匹配，输出报警信息。

5.一种巡检装置，其特征在于，包括：

获取模块，用于获取目标对象的巡检图像；

识别模块，用于将所述巡检图像输入预先训练的卷积神经网络模型，输出所述巡检图像的识别信息；

卷积神经网络模型建立模块，具体用于：

卷积模块，用于对获取的训练数据集进行卷积处理，得到所述训练数据集对应的特征映射数据；

边缘提取模块，用于基于预设的边缘卷积规则，提取所述特征映射数据的有效特征数据；

卷积神经网络模型建立模块，用于确定所述训练数据集的数据类型；从预设的数据类型与损失函数的关联关系中，确定所述数据类型的关联损失函数作为所述训练数据集对应的损失函数；从预设的数据类型与优化算法的关联关系中，确定所述数据类型的关联优化算法作为所述训练数据集对应的优化算法；基于所述训练数据集对应的优化算法和所述训练数据集对应的损失函数，对所述有效特征数据进行特征训练，得到训练结果；检测所述训练结果是否表示收敛；若所述训练结果表示收敛，构建所述训练的卷积神经网络模型。

6.根据权利要求5所述的巡检装置，其特征在于，所述卷积神经网络模型建立模块，具体还包括：

卷积层，用于对获取的训练数据集进行卷积处理，得到所述训练数据集对应的特征映射数据；

边缘池化层，用于基于预设的边缘卷积规则，提取所述特征映射数据的有效特征数据；

主池化层，用于将所述有效特征数据输入待训练卷积神经网络模型，进行特征训练，得到训练的卷积神经网络模型。