[发明专利]一种基于卷积神经网络的瓷瓶裂缝识别方法

说明书

本发明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。

技术领域

本发明属于深度学习技术领域，具体涉及一种基于卷积神经网络的瓷瓶裂缝识别方法。

背景技术

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。

发明内容

本发明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。

具体而言本发明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。