[发明专利]一种基于卷积神经网络的油管拖地的识别方法

权利要求书

1.一种基于卷积神经网络的油管拖地的识别方法，其特征在于，包括如下步骤：

S1：监控系统采集加油机附近区域的视频数据，并存储至存储器；

S2：对视频数据每预设时间截取一张图像，得到历史图像集；根据历史图像集得出油管拖地可能出现的区域，对油管拖地可能出现的区域进行标记，得到标记图像集；

S3：对图像中油管拖地可能出现的区域进行定义，0表示正常，1表示油管拖地，2表示其他情况；

S4：构建卷积神经网络，使用卷积神经网络对所述标记图像集进行训练，得到训练好的卷积神经网络；

S5：利用训练好的卷积神经网络对标记图像集进行判定，若输出为0，则判定无异常情况；若输出为1，则判定油管拖地；若输出为2，则判定存在其他异常情况。

2.根据权利要求1所述的一种基于卷积神经网络的油管拖地的识别方法，其特征在于，所述步骤S1中的监控系统包括多个摄像机，摄像机的安装位置与对应该摄像机所监控的加油机水平距离为8～12米，距地面高度为3～5米。

3.根据权利要求1所述的一种基于卷积神经网络的油管拖地的识别方法，其特征在于，所述步骤S2包括如下子步骤：

S21：选取三个月内的视频数据，对视频数据每预设时间截取一张图像，得到历史图像集；

S22：在历史图像集中挑选出有油管拖地画面的图像，得到拖地图像集；

S23：对拖地图像集进行油管拖地区域统计，得出油管拖地的可能出现的区域；

S24：对历史图像集油管拖地可能出现的区域进行标记，得到标记图像集。

4.根据权利要求1所述的一种基于卷积神经网络的油管拖地的识别方法，其特征在于，所述步骤S4包括如下子步骤：

S41：选择训练数据集和验证数据集；

S42：定义标准卷积核，卷积核尺寸为3*3*n，参数量为3*3；

S43：搭建卷积神经网络，从卷积神经网络的输入端输入48*48*3，卷积神经网络的输出端输出1*1*4，即时输出数据分别为0、1、2三类数据的概率；

S44：定义损失函数Loss，损失函数Loss的计算公式如下：

其中，m为网络输出类别数量，为网络全连接层的输出；

S45：通过损失函数，利用梯度下降法对训练集进行训练，优化卷积神经网络；

S46：使用卷积神经网络对验证集进行验证，当验证精度大于95％且不再提升时结束卷积神经网络训练，从而得到训练好的卷积神经网络。

5.根据权利要求4所述的一种基于卷积神经网络的油管拖地的识别方法，其特征在于，所述步骤S41中的训练数据集包括20000张标记图像，验证数据集包括2000张标记图像。

6.根据权利要求4所述的一种基于卷积神经网络的油管拖地的识别方法，其特征在于，在所述步骤S41中的训练数据集和验证数据集中，均包含比例为1:2:1的0、1、2三类数据。