[发明专利]一种基于卷积神经网络的变电站属性分类方法

摘要

本发明公开了一种基于卷积神经网络的变电站属性分类方法，能够非常准确地检索到和变电站相关的特定场景以及特定对象，能够帮助变电站安防人员高效地处理监控资料，在一定程度上填补了智能安防的技术空缺。主要创新点在于巧妙地将图像所包含的特定场景和特定对象对应成一种属性，进而建立起一个用来表征图像的二值属性表，同时改进传统的卷积神经网络结构，使其能够对包含多属性的图像进行准确识别和分类。本发明提供的一种基于卷积神经网络的变电站属性分类方法，改进的卷积神经网络结构克服了传统的神经网络只能对单一属性进行分类的缺点，达到平均分类准确率为94.7%，具有非常强的可行性和实用性。

主权项

1.一种基于卷积神经网络的变电站属性分类方法，其特征在于：包括如下步骤：步骤一：构建变电站图像数据库，这个数据库包括变电站、变压器、刀闸、输电线路、绝缘子、营业厅、人七类图像；所有图像包括的内容都是现实的变电站相关场景和器件；所有图像均设置为256×256像素；步骤二：构建属性表，对数据库中的所有图像构建属性表，所述属性表包括七个数值，所述七个数值分别对应变电站、变压器、刀闸、输电线路、绝缘子、营业厅、人七类属性，若图像中包括该项属性则对应数值设置为1，否则设置为0；步骤三：预训练卷积神经网络模型，为避免过拟合现象，在图片库ImageNet上预训练卷积神经网络模型，所述图片库ImageNet包括1000类不同的图像，所述卷积神经网络的第8层参数均设置为1000；步骤四：学习卷积神经网络，在步骤三的基础上，继续学习卷积神经网络模型；所述步骤四包括如下步骤：4a：所有图像随机地划分成训练图像和测试图像，所述训练图像和测试图像各占50%；4b：将训练图像全部作一个旋转，并将旋转后的图像扩充到训练图像中；4c：将新加入的图像按照步骤二的方法建立属性表；4d：将卷积神经网络结构的第8层设置为7，卷积神经网络模型学习率设置为0.000001，并按照0.7的丢失率随机地丢弃70%的参数；所述卷积神经网络模型Soft max层改为Sigmoid层；步骤五：利用学习好的卷积神经网络模型对图像进行属性分类，包括如下步骤：5a：利用所有训练图像的均值对图像进行归一化处理；5b：利用训练好的卷积神经网络对图像进行测试，得到该图像的所有属性的分布概率；5c：基于设定好的阈值0.5得到预测属性表，再对比所有测试图像的真实属性表和预测属性表，计算得到各类属性的分类准确率。