申请/专利权人：中国矿业大学;山东省第一地质矿产勘查院

申请日：2021-11-11

公开（公告）日：2024-06-21

公开（公告）号：CN114022671B

主分类号：G06V10/25

分类号：G06V10/25;G06V10/774;G06V10/82;G06N3/0464;G06N3/08

优先权：

专利状态码：有效-授权

法律状态：2024.06.21#授权;2022.02.25#实质审查的生效;2022.02.08#公开

摘要：本发明公开一种基于残差神经网络的索道缆绳绳位智能识别方法，通过制作的索道模型来获取丰富的索道缆绳位置图像，对图像数据进行分类，提取图像的感兴趣区域，保留质量好的图像数据并进行标注；之后的模型训练中，利用改进后的残差神经网络对标注过的图像数据进行目标识别训练，通过多次的迭代获取最佳的神经网络模型；并利用获取的最佳模型对测试样本进行神经网络训练，最后通过Web端实时输出索道缆绳位置的结果。本发明通过对获取的图像数据进行分析，并结合改进的残差神经网络训练最佳模型，利用该模型可实时的识别索道缆绳位置的变化。

主权项：1.一种基于残差神经网络的索道缆绳绳位智能识别方法，其特征在于，包括以下步骤：S1图像数据集制作：利用索道模型采集多角度的索道缆绳位置的图像数据作为图像数据集传送存储至工作站；S2目标区域筛选：通过工作站筛选出索道不同位置的图像数据，并提取包含感兴趣区域的图像数据，根据图像数据中索道缆绳的位置，将提取出的包含感兴趣区域的图像数据分成正常位置、偏左位置、偏右位置三大类，根据每张图像所属的分类，为每张图像数据标注为“偏左”、“偏右”或“正常”的标签，并将标注过的图像数据按设定的比例分为训练样本集、验证样本集和测试样本集；S3构建残差神经网络模型：基于传统的神经网络改进算法模型，构建多层次残差神经网络模型，具体包括以下步骤：S3.1改进残差网络块：构造初始的最优映射Hx,与构造残差映射Fx互为等价，通过网络层和其他映射整合成最优映射：Hx＝Fx+x；S3.2改进激活函数：采用RReLu函数作为激活函数，RReLu函数公式如下： 其中，U为均匀分布函数，I、u为分布区间，a由均匀分布函数生成；S3.3改进残差网络块的网络结构：该结构包括第一层为1*1的卷积层，64个卷积核；第二层为3*3的卷积层，64个卷积核；第三层为1*1的卷积层，256个卷积核；第一层的输出单元经过批量标准化、RReLu激活函数处理进入第二层卷积层、第二层卷积层的输出单元经过批量标准化、RReLu激活函数处理与进入第三层卷积层，若第三层输出单元的维度与第一层输入单元维度相同时，第三层的输出单元直接与第一层的输入单元相连接，若维度不同时，将第一层的输入单元做一个变换，使用1*1的卷积层，卷积核为第三层输出单元的维度，使得第一层的输入单元与第三层的输出单元保持相同的维度进行相加，结构的表现形式为：Xk+1＝fhXk+FXk,Wk式中，Xk为残差块的输入单元；Xk+1为残差块的输出单元；f为RReLu函数；h为维度变换函数；Wk为残差块中第k层卷积层的权重；F为残差网络块映射函数；k为当前卷积层层数；S3.4由改进后的残差神经网络块的网络结构组成多层次残差神经网络，包括：第一层预处理层，卷积核尺寸为3×3，卷积核个数为64个，卷积步长为2；第二层为第一个残差网络块，卷积核尺寸为3×3，卷积核个数为128个，卷积步长为2；第三层为第二个残差网络块，卷积核尺寸为3×3，卷积核个数为256个，卷积步长为2；第四层为第三个残差网络块，卷积核尺寸为3×3，卷积核个数为512个，卷积步长为2；第五层为第四个残差网络块，卷积核尺寸为3×3，卷积核个数为1024个，卷积步长为2；第六层为自适应池化层和全连接层，自适应池化层输出为1024个维度，大小为1×1的图像数据；第七层为Softmax层，将上一层的输出结果输入本层，经本层处理后输出图像所属三种分类的概率向量，选取向量中概率最大值所对应的标签为图像的最终结果；S4模型训练：通过改进后的多层次残差神经网络模型对标注过的图像数据集进行识别训练，通过多次迭代，获得最佳模型，并利用该模型对标注过的图像数据集进行测试，最后输出索道缆绳的位置结果；S5模型部署：利用python语言进行web端部署，将训练的最佳模型接入web内，使用浏览器进行访问，之后应用中在缆绳的周围布置视频端，使视频端对准索道滑轮处，通过视频端采集缆绳在滑轮轴上的图像数据并传输到步骤S4获得的最佳模型中，通过该模型处理图像数据，并显示监测结果，即索道缆绳的位置结果。

全文数据：

权利要求：

百度查询： 中国矿业大学;山东省第一地质矿产勘查院 一种基于残差神经网络的索道缆绳绳位智能识别方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD