[发明专利]一种巡检点位漏巡识别方法

权利要求书

1.一种巡检点位漏巡识别方法，其特征在于，包括：

根据预采集巡检视频提取巡检图像，按照巡检图像所属点位类别标注其标签向量，向量的元素表示巡检图像为对应点位类别的正样本或负样本；将标注的巡检图像划分为训练集、验证集和测试集；

搭建密集连接卷积神经网络模型，所述模型的输入量为巡检图像，输出量为巡检图像预测为各点位类别正样本的置信度；采用训练集训练所述模型；采用验证集计算各点位类别的置信阈值；采用测试集验证模型训练完成；

录制巡检过程时，同步提取实时巡检图像，采用训练后的模型预测实时巡检图像的置信度；录制完成后，汇总实时巡检图像的点位类别预测结果，判断是否存在点位漏巡。

2.根据权利要求1所述的巡检点位漏巡识别方法，其特征在于，采用数据增强方法对所述训练集进行数据扩增，扩增后的图像与原始图像具有相同的标签向量。

3.根据权利要求2所述的巡检点位漏巡识别方法，其特征在于，所述数据增强方法包括随机旋转、随机水平翻转、错切变换、随机通道转换及随机添加噪声。

4.根据权利要求1所述的巡检点位漏巡识别方法，其特征在于，所述训练集、验证集和测试集均包含每种点位类别的正样本。

5.根据权利要求1所述的巡检点位漏巡识别方法，其特征在于，所述密集连接卷积神经网络模型每层网络的输入均来自前面所有层的输出；所述模型包括若干个密集连接块，每两个密集连接块之间通过过渡层连接，最后一个密集连接块后依次连接全局平均池化层和全连接层，输出巡检图像预测为各点位类别正样本的置信度；每个所述密集连接块内包括若干组卷积单元，每组卷积单元包含1*1和3*3的卷积层，每组卷积单元的输出作为所属密集连接块内其后各组卷积单元的输入。

6.根据权利要求5所述的巡检点位漏巡识别方法，其特征在于，所述密集连接块数量为4个，每个密集连接块包含的卷积单元数量依次为6组、12组、24组和16组。

7.根据权利要求1所述的巡检点位漏巡识别方法，其特征在于，所述密集连接卷积神经网络模型的模型训练参数设置为：参数class_weight设置为auto；损失函数采用二值交叉熵损失函数，优化方法采用Adam方法，模型全连接层激活函数采用sigmoid函数。

8.根据权利要求1所述的巡检点位漏巡识别方法，其特征在于，所述采用验证集计算各点位类别的置信阈值，包括：

采用训练后的模型预测验证集图像为各点位类别正样本的置信度；

计算每一点位类别的每一正样本置信度作为阈值时，该点位类别在验证集的约登指数；

选择每一点位类别最大约登指数对应的置信度作为该点位类别的置信阈值。

9.根据权利要求1所述的巡检点位漏巡识别方法，其特征在于，所述采用测试集验证模型训练完成具体为：模型预测结果的准确度、灵敏度和特异度均达到95％以上。

10.根据权利要求1所述的巡检点位漏巡识别方法，其特征在于，所述汇总实时巡检图像的点位类别预测结果，判断是否存在点位漏巡，包括：

将预测的实时巡检图像置信度与点位类别置信阈值进行比较，若置信度大于置信阈值，则预测该实时巡检图像为对应点位类别正样本，否则，为对应点位类别负样本；

判断实时巡检图像预测结果是否包含所有点位类别正样本，若存在未包含的点位类别，则判断存在点位漏巡。