基于卷积神经网络的输电塔架锈蚀程度自动检测方法

摘要

本发明提出一种基于卷积神经网络的输电塔架锈蚀程度自动检测方法，通过图像获取、opencv图像预处理、建立数据集、建立检测评定标准、基于卷积神经网络模型AlexNEt进行训练学习，从而建立输电塔架锈蚀快速检测技术，该技术能有效解决人工检测输电塔架锈蚀损伤过程中耗时、费力、具有一定危险性的难题，及检测过程主观判断的问题。

说明书

技术领域

本发明属于输电塔架锈蚀检测技术领域，具体涉及一种基于卷积神经网络的输电塔架锈蚀程度自动检测方法。

背景技术

目前常见的输电塔架锈蚀检测方法为人工的目视检测，常需要专业的工作人员在防护安全的情况下攀爬输电塔架进行全面的检测，这种检测方式不但耗时、费力，有时会伴有一定危险性。

同时，卷积神经网络与深度学习持续发展，逐渐将人工智能引领进我们的生 活，为我们生活带来了很多便利。而识别图像识别正是人工智能领域 中重要的组成部分，也是现阶段深度学习中比较热门的课题。

发明内容

有鉴于此，为了克服现有技术的缺陷和不足，本发明的目的在于提供一种基于卷积神经网络的输电塔架锈蚀程度自动检测方法，目的在于实现通过卷积神经网络的方式对输电塔架锈蚀部分进行检测，并对锈蚀程度进行识别。其通过图像获取、opencv图像预处理、建立数据集、建立检测评定标准、基于卷积神经网络模型AlexNEt进行训练学习，从而建立输电塔架锈蚀快速检测技术，该技术能有效解决人工检测输电塔架锈蚀损伤过程中耗时、费力、具有一定危险性的难题，及检测过程主观判断的问题。

本发明具体采用以下技术方案：

一种基于卷积神经网络的输电塔架锈蚀程度自动检测方法，其特征在于，包括以下步骤：

步骤S1：获取实际服役状况下输电塔架图像；

步骤S2：构建图像预处理模型；建立不同锈蚀程度电力塔架数据集；

步骤S3：构建基于卷积神经网络的输电塔架锈蚀程度检测模型；采用不同锈蚀程度图像对检测模型进行深度学习训练；

步骤S4：将输电塔架锈蚀图像输入模型中进行检测，得到锈蚀程度检测结果。

进一步地，所述输电塔架锈蚀程度检测模型采用改进的卷积神经网络经典模型AlexNet；所述改进的卷积神经网络经典模型AlexNet使用非线性激活函数ReLU，以减缓梯度消失的问题；全连接层后使用Dropout，并使用SGD优化器。

进一步地，图像预处理阶段使用python语言的搭建的OpenCV智能算法进行图像分割。

以及，一种基于卷积神经网络的输电塔架锈蚀程度自动检测系统，其特征在于，用于执行如上所述的基于卷积神经网络的输电塔架锈蚀程度自动检测方法，包括：

图像获取模块，用于获取待检测的输电塔架锈蚀图像；

模型构建模块，用于构建基于卷积神经网络的输电塔架锈蚀程度检测模型；

锈蚀检测模块，用于将输电塔架锈蚀图像输入至输电塔架锈蚀程度检测模型中进行检测，得到输电塔架锈蚀程度结果。

以及，一种基于卷积神经网络的输电塔架锈蚀程度自动检测装置，其特征在于：包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如上所述的基于卷积神经网络的输电塔架锈蚀程度自动检测方法。

以及，一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于：该计算机程序被处理器执行时实现如上所述的基于卷积神经网络的输电塔架锈蚀程度自动检测方法。

与现有技术相比，本发明及其优选方案的有益效果包括：

（1）解决检测输电塔架锈蚀损伤过程中耗时、费力、具有一定危险性的难题，并可一定程度上解决检测人员具有主观判断的问题；

（2）使用非线性激活函数ReLU，减缓梯度消失的问题；

（3）全连接层后使用Dropout（丢弃法）来抑制数据过度拟合；

（4）使用最大池化层，在保留图像特征中显著部分的同时，也大幅度精简了设计网络的大小，减少了内存占用；

（5）模型使用SGD优化器，SGD优化器通过指数移动平均（EMA）给模型每个参数记录一个不断累计更新的梯度的动量值（动量梯度）实现梯度下降的同时不占用更多内存。并且使用权重衰退的方式使更新权重时直接让权重按比例缩小。

附图说明

下面结合附图和具体实施方式对本发明进一步详细的说明：

构成本申请的一部分的附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：

图1是本发明实施例检测方法流程图；

图2是本发明实施例图像预处理阶段流程图；

图3是本发明实施例AlexNet模型处理图像流程图；

图4 是本发明实施例输电塔架锈蚀程度自动检测系统的框图。

具体实施方式

为让本专利的特征和优点能更明显易懂，下文特举实施例，作详细说明如下：

下面将结合本发明实施例中附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明的一部分实施例，而不是全部的实施例。通常在此处的附图中的描述和示出的组件可以以不同配置来组合设计。因此，以下对在附图中提供的本发明的选定实施例的详细描述并非为了限制要求保护的本发明的范围，而是仅表示本发明的选定实施例。基于本发明的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例都属于本发明保护的范围。

需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本发明。

本发明提供的基于卷积神经网络的输电塔架锈蚀程度自动检测方法具体方法如下步骤所示：

步骤一：图像获取

通过相机对输电塔架进行图像拍摄，拍摄要保证输电塔架外观完整、清晰。拍摄角度保证覆盖输电塔架多角度、全面。

步骤二：图像预处理

通过opencv图像学算法，对获取得到的输电塔架图像进行预处理，主要包括图像像素统一、图像切割、图像筛选。主要通过智能算法，将图像像素进行统一化处理，将图像切割成像素更小的、一致的新图像，通过人工的方式手动筛选出属于输电塔架结构部分的图像。

步骤三：数据集建立

将步骤二预处理后的图像整合，建立一个合理的预测模型，建立样本数据集，锈蚀程度应包括：未锈蚀，轻微锈蚀，中度锈蚀，严重锈蚀四类。将全部样本划分为训练集与测试集，比例9：1，用模型训练。

步骤四：基于卷积神经网络模型AlexNet，进行适合更适合锈蚀的优化，经过大量的训练，确定最佳的超参数设置。

步骤五：所得最优模型即可用于输电塔架锈蚀程度检测方法。

其对应的检测系统包括：

图像获取模块，用于获取待检测的输电塔架锈蚀图像；

模型构建模块，用于构建基于卷积神经网络的输电塔架锈蚀程度检测模型；

锈蚀检测模块，用于将输电塔架锈蚀图像输入至输电塔架锈蚀程度检测模型中进行检测，得到输电塔架锈蚀程度结果。

下面以一个具体的实例对本发明方案作更进一步的具体介绍：

图1是本发明实施方式的输电塔架锈蚀程度自动检测流程图。

包括步骤一：图像获取。

在本实施过程中，图像获取包括但不仅限数码相机，智能手机等电子摄影设备，拍摄过程应保证对输电塔架表观涵盖的全面、清晰。图像可以是同时段以及不同天气情况下拍摄得到的，例如晴天、阴天、雪天、多云等天气情况，早上10点到11点、 中午12点到14点、晚上21点到22点等时间段。

步骤二：图像预处理。

如图2所示，图像预处理的具体操作流程应按照图2实施，图像分割使用OpenCV智能算法进行，搭载平台选择任意版本的python语言即可。

可选地，将拍摄的图像处理成像素统一的新图像。

可选地，将新图像切割成像素一致、数目不同的、像素更低的图像。

优选地，人工筛选出属于输电塔架结构部分的图像，舍弃包括其他噪声多余的图像、表观模糊的图像。

步骤三：数据集建立。

本发明将步骤二处理后的图像进行分类。

优选地，将图像分类为未锈蚀、轻度锈蚀、中度锈蚀、严重锈蚀四类。分类方式依据下表：

步骤四：如图3所示，本发明基于卷积神经网络经典模型AlexNet进行优化处理，主要体现在使用非线性激活函数ReLU、全连接层后使用Dropout（丢弃法）、模型使用SGD优化器。其中SGD优化器融合了动量梯度与权重衰退。

动量梯度是通过指数移动平均（EMA）给模型每个参数记录一个不断累计更新的梯度的动量值（动量梯度）实现梯度下降的同时不占用更多内存。EMA是一种给予近期数据更高权重的平均方法。核心公式为

其中xt是t时刻测量值，yt是指数平均值，β是范围在0-1之间的系数

权重衰退是指在更新权重时直接让权重按比例缩小。其公式为

步骤五：模型优化

优选地，本发明对模型进行训练时，设置学习率、批量大小、训练周期为超参数，对数据集进行多次训练后，选择准确率最高的超参数作为模型数据。

图4是对应的系统包括：

图像获取模块，用于获取待检测的输电塔架锈蚀图像；

模型构建模块，用于构建基于卷积神经网络的输电塔架锈蚀程度检测模型；

锈蚀检测模块，用于将输电塔架锈蚀图像输入至输电塔架锈蚀程度检测模型中进行检测，得到输电塔架锈蚀程度结果。

以上结合附图详细描述了本发明的可选实施方式，但是，本发明实施方式并不限于上述实施方式中的具体细节，在本发明实施方式的技术构思范围内，可以对本发明实施方式的技术方案进行多种简单变型，这些简单变型均属于本发明实施方式的保护范围。

本领域技术人员可以理解实现上述实施方式的方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，该程序存储在一个存储介质中，包括若干指令用以使得单片机、芯片或处理器(processor)执行本发明各个实施方式所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。

本实施例提供的以上方案当中的逻辑程序设计方案可以代码化的形式存储在计算机可读取存储介质中，并以计算机程序的方式进行实现，并通过计算机硬件输入计算所需的基本参数信息，并输出计算结果。

本领域内的技术人员应明白，本发明的实施例可提供为方法、装置、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质（包括但不限于磁盘存储器、CD-ROM、光学存储器等）上实施的计算机程序产品的形式。

本发明是参照根据本发明实施例的方法、设备（装置）、和计算机程序产品来描述的。应理解可由计算机程序指令实现每一流程。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在一个流程或多个流程中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在一个流程或多个流程中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在一个流程或多个流程中指定的功能的步骤。

以上所述，仅是本发明的较佳实施例而已，并非是对本发明作其它形式的限制，任何熟悉本专业的技术人员可能利用上述揭示的技术内容加以变更或改型为等同变化的等效实施例。但是凡是未脱离本发明技术方案内容，依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与改型，仍属于本发明技术方案的保护范围。

本专利不局限于上述最佳实施方式，任何人在本专利的启示下都可以得出其它各种形式的基于卷积神经网络的输电塔架锈蚀程度自动检测方法，凡依本发明申请专利范围所做的均等变化与修饰，皆应属本专利的涵盖范围。