[发明专利]一种基于卷积神经网络的配电箱隐患识别方法

说明书

本发明涉及配电箱故障检测技术领域，尤其涉及一种基于卷积神经网络的配电箱隐患识别方法。包括以下步骤：第1步：获取训练图像，训练图像显示有配电箱隐患的图像内容，依据训练图像训练神经网络模型，并将训练好的神经网络模型上传至服务器；第2步：利用手持设备获取配电箱的图像信息，并将图像信息上传至服务器；第3步：神经网络模型依据图像信息生成判断结果，并将判断结果反馈至手持设备。现有技术中，通常采用人工形式对配电箱隐患进行排查，但配电箱隐患种类繁多，极易出现疏漏。相较于现有技术，本发明通过训练好的神经网络模型对隐患进行排查，极大的提高了排查效率与准确率。

技术领域

本发明涉及配电箱故障检测技术领域，尤其涉及一种基于卷积神经网络的配电箱隐患识别方法。

背景技术

在建筑施工现场中，通常需要设置多个配电箱以为工地内不同的用电设备进行供电。在实际建设过程中，有关与配电箱的安全事故时有发生，而针对配电箱的安全检查多由现场人员采用人工的形式进行检查。但因需要检查的项目种类繁多，采用人工检查的形式极易出现疏漏。

中国专利公开了一种用电安全检查方法【申请号：CN201610944830.9、公开号：CN106525122A】包括：如下步骤：总配电间检查，记录配电室配电变压器功率，低压配电箱的数量及每个配电箱工作电压、电流、功率因数电能参数，每个配电箱中的用电使用情况，设备型号，导线线径。记录配电室和配电箱内环境温湿度，配电室环境是否整洁，进入配电间权限，是否安装有电危险 的提示；分配电箱检查，记录配电箱内部所有设备型号，布线是否合理，电缆线径，测量电能 参数，配电箱周围环境情况，温湿度，是否有安装锁，是否安装有电危险的提示；终端检查，对建筑内部所有线路终端进行检查，包括走线环境，线径，并针对每个终 端进行漏电、谐波电流、电火花、过负荷性能测试。虽然该专利的技术方案提供了一种针对配电箱隐患的检查方法，但是仍然采用的是人工形式，在检查过程中，容易产生疏漏且巡查效率较低。

发明内容

针对现有技术的技术问题，本发明提供了一种基于卷积神经网络的配电箱隐患识别方法。

为解决上述技术问题，本发明提供了以下的技术方案：

一种基于卷积神经网络的配电箱隐患识别方法，包括以下步骤：第1步：获取训练图像，训练图像显示有配电箱隐患的图像内容，依据训练图像训练神经网络模型，并将训练好的神经网络模型上传至服务器；

第2步：利用手持设备获取配电箱的图像信息，并将图像信息上传至服务器；

第3步：神经网络模型依据图像信息生成判断结果，并通过服务器将判断结果反馈至手持设备。

将演示用的配电箱刻意设置为存在隐患的状态，对演示用的配电箱进行拍照以获取训练图像，此时训练图像显示有配电箱隐患的图像内容，依据训练图像对神经网络模型进行训练，使得神经网络模型能够分辨与训练图像相同或者相近似的图像信息。在神经网络模型训练完成后，将训练好的神经网络模型上传至服务器。在实际使用时，工作人员利用手持设备对待检测的配电箱进行拍照以获取配电箱的图像信息，并将图像信息上传至服务器。服务器利用内部的神经网络模型对图像信息进行判断并生成判断结果，服务器将判断结果反馈至手持设备，以提示现场人员配电箱的隐患状况。由此，利用神经网络对配电箱隐患进行判断，一方面极大的提高了判断速率，另一方面有效的避免了人为判断时产生的疏漏。

进一步的，第1步还包括以下步骤：第1-1步：设定标签，依据标签获取多个训练图像；

第1-2步：依据标签标注训练图像；

第1-3步：将第1-2步标注好的训练图像输入神经网络模型以训练神经网络模型；

第1-4步：测试神经网络模型以获取测试结果，重复执行第1-3步直至测试结果为及格。

进一步的，第1-3步还包括以下步骤：第1-3-1步：设定神经网络模型的参数，依据参数训练神经网络模型；

第1-3-2步：依据第1-4步的测试结果修改参数。