[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

说明书

本发明公开了一种基于可分离卷积神经网络的设备异常识别的方法，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。本发明的使用降低了安全隐患，提高了工作效率，同时使油企管理者能够实时、有效的对油企端各类安全风险事件进行监督。

技术领域

本发明涉及一种设备异常识别的方法，具体涉及一种基于可分离卷积神经网络的设备异常识别的方法。

背景技术

加油站的运营安全影响着人民的人身财产安全，油企在对管辖内加油站站点进行管理时，要求每天对站内的加油机、配电房、发电机等相关设备进行巡检，期望可以及时发现问题、及时解决问题，将风险控制在萌芽阶段。

巡检过程中对于设备的检查，现有技术只是通过人工进行检查每个设备的运行状态，并没有任何一种算法可以实现加油站中的设备异常识别。

现有技术完全是采用人为干预的方法。这种完成依靠人工的方法，存在以下3中问题：1、巡检质量完全依赖于巡检人员的自身能力；2、巡检中由于人工作业，很容易造成疏忽，给加油站安全带来严重的隐患。3、上级领导对于巡检质量基本无法进行监督管理。

发明内容

本发明所要解决的技术问题是现有技术只能通过人工巡检的方式检查每个设备的运行状态，而人工巡检容易造成疏忽，给加油站带来安全隐患的问题，目的在于提供一种基于可分离卷积神经网络的设备异常识别的方法，解决上述背景技术中遇到的问题。

本发明通过下述技术方案实现：

一种基于可分离卷积神经网络的设备异常识别的方法，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。

进一步地，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。

进一步地，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。