本發明公開了一種基于改進AlexNet的燃弧識別方法，包括以下步驟：S1.建立卷積神經網絡并得到訓練模型；S2.獲取圖像；S3.將獲取到的圖像輸入訓練模型進行圖像識別；卷積神經網絡為改進的AlexNet網絡，改進的AlexNet網絡的結構依次為輸入層、多個依次連接的卷積層、全連接層和輸出層；與輸入層連接的卷積層采用M×M的卷積核架構，其余卷積層采用1×M和M×1的卷積核架構；本發明采用1×M和M×1大小的卷積核串聯代替原始AlexNet網絡中M×M大小的卷積核，大大減少了參數數量，并且增加了一個非線性層，使網絡結構更深；簡化了模型，大大縮短了訓練時間，提高了訓練效率，識別準確率比原始AlexNet網絡更高。

技術領域

本發明涉及圖像識別領域，尤其涉及一種基于改進AlexNet的燃弧識別方法。

背景技術

鐵路接觸網燃弧是由于接觸網舞動，受電弓彈跳，電壓超過空氣的耐受力而使空氣電離變成導體然后產生的電弧；燃弧會造成電力機車運行不穩定，使電力機車供電時斷時續，造成列車運行過程中不正常的減速和加速，增加了旅途中的不舒適感，通過燃弧報警可以使出故障的接觸線或者受電弓得到及時維修，減少鐵路供電安全事故的發生；燃弧報警傳回到數據終端后需要通過人工判讀確認，如果報警誤判率太高，則需要耗費大量人力成本，而如果漏報率太高，則會加大事故發生的幾率，因此，有效地識別出燃弧可以大大減小人力成本，減少報警中的誤報率和漏報率，具有重要意義。

卷積神經網絡是人工神經網絡的一種，已成為當前語音分析和圖像識別領域的研究熱點，它的權值共享網絡結構使之更類似于生物神經網絡，降低了網絡模型的復雜度，減少了權值的數量，該優點在網絡的輸入是多維圖像時表現的更為明顯，使圖像可以直接作為網絡的輸入，避免了傳統識別算法中復雜的特征提取和數據重建過程；卷積網絡是為識別二維形狀而特殊設計的一個多層感知器，這種網絡結構對平移、比例縮放、傾斜或者共他形式的變形具有高度不變性；

AlexNet是在2012年被提出的一個經典之作，并在當年取得了ImageNet最好成績，但傳統的AlexNet模型參數太多，訓練效率低，本發明提出一種改進的AlexNet模型，并將其應用于接觸網燃弧的識別。

發明內容

為了解決上述問題，本發明提出一種基于改進AlexNet的燃弧識別方法。

具體的，一種基于改進AlexNet的燃弧識別方法，包括以下步驟：

S1.建立卷積神經網絡并得到訓練模型；

S2.獲取圖像；

S3.將獲取到的圖像輸入訓練模型進行圖像識別；

卷積神經網絡為改進的AlexNet網絡，所述改進的AlexNet網絡的結構依次為輸入層、多個依次連接的卷積層、全連接層和輸出層；與輸入層連接的卷積層采用M×M的卷積核架構，其余卷積層采用1×M和M×1的卷積核架構。

進一步的，所述改進的AlexNet網絡的輸入層和輸出層之間依次設置有第一卷積層Conv1、第一池化層、第二卷積層Conv2、第二池化層、第三卷積層Conv3、第四卷積層Conv4、第五卷積層Conv5、第三池化層、第一全連接層FC6及第二全連接層FC7，所述第一卷積層Conv1的卷積核尺寸為M×M。

進一步的，所述第二卷積層Conv2、第三卷積層Conv3、第四卷積層Conv4及第五卷積層Conv5分別包括依次設置的卷積層Conv2_1、Conv2_2，Conv3_1、Conv3_2，Conv4_1、Conv4_2及Conv5_1、Conv5_2，其中，所述卷積層Conv2_1、Conv3_1、Conv4_1及Conv5_1的卷積核尺寸為1×M，所述卷積層Conv2_2、Conv3_2、Conv4_2及Conv5_2的卷積核尺寸為M×1。

進一步的，輸入層接受尺寸為224×224的圖像輸入。