[发明专利]一种基于残差神经网络的索道缆绳绳位智能识别方法

说明书

本发明公开一种基于残差神经网络的索道缆绳绳位智能识别方法，通过制作的索道模型来获取丰富的索道缆绳位置图像，对图像数据进行分类，提取图像的感兴趣区域，保留质量好的图像数据并进行标注；之后的模型训练中，利用改进后的残差神经网络对标注过的图像数据进行目标识别训练，通过多次的迭代获取最佳的神经网络模型；并利用获取的最佳模型对测试样本进行神经网络训练，最后通过Web端实时输出索道缆绳位置的结果。本发明通过对获取的图像数据进行分析，并结合改进的残差神经网络训练最佳模型，利用该模型可实时的识别索道缆绳位置的变化。

技术领域

本发明涉及一种智能识别方法，具体是一种基于残差神经网络的索道缆绳绳位智能识别方法，属于索道监测技术领域。

背景技术

索道广泛应用于景区以及工矿区中。而索道主要利用钢绳牵引，其相关结构容易受到大气湿度、钢结构绣化、风干腐蚀等影响，导致缆绳绳位因为外力作用而发生变化，可能发生严重的安全事故。因此，对索道缆绳的监测至关重要。

传统的监测方式一般是通过人工值守目测的形式进行，由于靠人眼识别精度和准确度非常受限，时间久了会造成视觉疲劳无法实时观测和实时预报结果。第二种是由Dooppelmayr公司设计的钢丝绳绳位检测系统，该系统旨在早期监测钢丝绳的位置，降低索道缆绳脱离风险。但该系统在实际运营中也有诸多不便，原因如下：该系统的造价非常昂贵，一般的运营单位很难承担其成本；该系统有时会发生因为误报而产生紧急停车的情况，降低了运营单位的工作效率；另外，受该系统电磁感应工作原理，遇到雷雨天气时，该系统抗干扰能力不强，而且该系统一般都布置在景区海拔高的地方，容易遭受雷击，所以对索道缆绳的监测任务目前还是以人工巡检为主，无法将整个作业过程信息化。

发明内容

针对上述现有技术存在的问题，本发明提供一种基于残差神经网络的索道缆绳绳位智能识别方法，无需人工巡检目测，信息化程度高，能够实时进行监测，更加有效、准确、及时的监测出复杂环境下索道缆绳位置的情况。

为实现上述目的，本发明提供一种基于残差神经网络的索道缆绳绳位智能识别方法，包括以下步骤：

S1图像数据集制作：利用索道模型采集多角度的索道缆绳位置的图像数据作为图像数据集传送存储至工作站；

S2目标区域筛选：通过工作站筛选出索道不同位置的图像数据，并提取包含感兴趣区域的图像数据，根据图像数据中索道缆绳的位置，将提取出的包含感兴趣区域的图像数据分成正常位置、偏左位置、偏右位置三大类，根据每张图像所属的分类，为每张图像数据标注为“偏左”、“偏右”或“正常”的标签，并将标注过的图像数据按设定的比例分为训练样本集、验证样本集和测试样本集；

S3构建残差神经网络模型：基于传统的神经网络，改进算法模型，构建多层次残差神经网络模型；

S4模型训练：通过改进后的多层次残差神经网络模型对标注过的图像数据集进行识别训练，通过多次迭代，获得最佳模型，并利用该模型对标注过的图像数据集进行测试，最后输出索道缆绳的位置结果；

S5模型部署：利用python语言进行web端部署，将训练的最佳模型接入web内，使用浏览器进行访问，之后应用中在缆绳的周围布置视频端，使视频端对准索道滑轮处，通过视频端采集缆绳在滑轮轴上的图像数据并传输到步骤S4获得的最佳模型中，通过该模型处理图像数据，并显示监测结果，即索道缆绳的位置结果，增强交互性。

与现有技术相比，本发明无需人工巡检目测，自动化信息化程度高，通过对残差神经网络块的改进和整个神经网络结构的调整，取训练样本对算法模型进行训练，通过不断的迭代训练获得最佳的算法模型，利用获得的最佳模型实时高效的识别出索道缆绳的位置情况，从而准确、、有效、实时地监测出复杂环境下索道缆绳位置的情况。

附图说明

图1为本发明流程图；

图2为本发明多层次残差神经网络结构流程图。

具体实施方式