[发明专利]一种基于卷积神经网络的电网设备分类方法

摘要

本发明公开了一种基于卷积神经网络的电网设备分类方法，步骤1，根据已有的电网设备图像训练集和测试集，训练卷积神经网络模型；输入层对输入的图像数据进行预处理，用以增大数据量；卷积层的数量不大于N，N+1为常用卷积神经网络卷积层的层数；步骤2，利用训练完成的卷积神经网络模型对需分类的电网设备图像进行分类。本发明利用数据增强技术将输入图像数据进行预处理，增大数据量，解决了数据量不足会导致网络过拟合，精度下降的问题；鉴于训练数据的数量较少，削减了卷积层数量和卷积核数目，同时增大卷积核的尺寸，减小了每层卷积层所提取出的特征图的大小，从而减少了卷积层提取出的特征数量，同样起到了防止过拟合的作用，提高了精度。

主权项

1.一种基于卷积神经网络的电网设备分类方法，其特征在于：包括以下步骤，步骤1，根据已有的电网设备图像训练集和测试集，训练卷积神经网络模型；卷积神经网络模型包括输入层、卷积层、全连接层和Softmax层；所述输入层对输入的图像数据进行预处理，用以增大数据量；用训练集和测试集进行训练过程为：S51，将训练用的图像数据输入输入层进行预处理；训练用的图像数据包括训练集中的电网设备图像、电网设备图像对应的电网设备分类标签文档、训练集中的电网设备图像的图像均值；对图像数据预处理主要处理的是电网设备图像，这里依次通过剪切和随机反转的方法，增大数据量；S52，定义t=1，将预处理后的训练用的图像数据输出到第t层卷积层；S53，依次对其进行卷积、非线性激活、平滑和最大值池化处理；S54，判断t是否等于N，N为卷积层数量，如果是，则转至S55；如果不是，则t=t+1，将t层卷积层的输出传递至t+1层卷积层，转至S53；S55，将N层卷积层的输出依次经过两层全连接层输出至Softmax层；第一层全连接层是N层卷积层进行池化后的全连接，第二层全连接层是第一层全连接层进行非线性激活后，然后进行Dropout后再进行全连接的结果；Softmax层输出每一维电网设备图像属于某一类别的概率；S56，将Softmax层输出的结果与对应的电网设备分类标签文档中的数字标签进行对比；S57，根据两者的的残差采用随机梯度下降法调整卷积神经网络的权重参数，重复S52~ S57的步骤，直到残差小于阈值完成训练，最后输出训练完成的卷积神经网络模型；S58，调用卷积神经网络模型，输入测试用的图像数据，将判断结果与已知正确结果相比较，建立精度层、损失层，实时输出这一判断的正确率以及损失；测试用的图像数据包括测试集中的电网设备图像、电网设备图像对应的电网设备分类标签文档、测试集中的电网设备图像的图像均值；步骤2，利用训练完成的卷积神经网络模型对需分类的电网设备图像进行分类。