[发明专利]一种基于可分离卷积神经网络的设备异常识别的方法

权利要求书

1.一种基于可分离卷积神经网络的设备异常识别的方法，其特征在于，包括如下步骤：

S1：收集多角度设备图片，构建多角度设备图片数据库，对多角度设备图片进行预处理获得处理后的图片；

S2：构建卷积神经网络，使用深度可分离卷积代替传统卷积；

S3：对所述处理后的图片进行卷积神经网络训练，获得设备识别模型；

S4：通过所述设备识别模型对所述多角度设备图片数据库内的处理后的图片进行分析，输出设备异常的概率；

S5：如果设备异常的概率大于90％，则说明当前设备异常，否则说明设备正常。

2.根据权利要求1所述的一种基于可分离卷积神经网络的设备异常识别的方法，其特征在于，步骤S1中，所述收集多角度设备图片，构建多角度设备图片数据库具体为：使用防爆平板采集设备的不同时间不同光线下的上下左右不同角度的设备图片，所述设备图片是尺寸为1920*1080的设备图片。

3.根据权利要求2所述的一种基于可分离卷积神经网络的设备异常识别的方法，其特征在于，步骤S1中，所述对多角度设备图片进行预处理获得处理后的图片包括如下步骤：

S11：按照上下左右的顺序对四张尺寸为1920*1080的设备图片进行拼接，得到尺寸为3840*2160的拼接图像；

S12：通过双线性插值的方法将尺寸为3840*2160的拼接图像进行压缩获得尺寸为1920*1080的压缩图像；

S13：然后再对尺寸为1920*1080的压缩图像进行补齐操作获得尺寸为1920*1920的补齐图像；

S14：所述尺寸为1920*1920的补齐图像即为处理后的图片。

4.根据权利要求3所述的一种基于可分离卷积神经网络的设备异常识别的方法，其特征在于，还包括使用步骤S11至S14，获得10000张处理后的图片，将其中8000张作为设备异常的图片，2000张作为设备正常的图片，并将10000张处理后的图片按照5：1的比例分为训练集和验证集。

5.根据权利要求1所述的一种基于可分离卷积神经网络的设备异常识别的方法，步骤S2中，所述构建卷积神经网络，使用深度可分离卷积代替传统卷积具体包括以下步骤：

构建卷积神经网络，在所述卷积神经网络中，将传统卷积核为3*3的卷积层替换成卷积核为3*3的深度卷积层和卷积核为1*1的逐点卷积层，所述深度卷积和逐点卷积合称为深度可分离卷积。

6.根据权利要求5所述的一种基于可分离卷积神经网络的设备异常识别的方法，其特征在于，所述深度卷积负责滤波，尺寸为(DK,DK,1)，共M个，作用在输入的每个通道上；所述逐点卷积负责转换通道，尺寸为(1,1,M)，共N个，作用在深度卷积的输出特征映射上。

7.根据权利要求6所述的一种基于可分离卷积神经网络的设备异常识别的方法，其特征在于，步骤S3中，对所述多角度设备训练图片进行卷积神经网络训练包括：

设计损失函数，通过损失函数，对处理后的图片进行梯度下降训练，优化深度可分离卷积神经网络得到优化后的深度可分离卷积神经网络；

使用优化后的深度可分离卷积神经网络对验证集进行验证，当精度大于95％且不在提升时结束卷积神经网络训练。