基于改进卷积神经网络算法的违规作业行为检测

为了提升电力生产环境下违规作业行为的检测效率，文中对卷积神经网络的相关理论进行了研究，将二维平面下的卷积、池化运算扩展到了三维空间(C3D)，使得网络在特征提取时可以有效获取视频帧信息。借鉴Inception网络的思路，使用更小颗粒的卷积结构替代C3D网络中的大颗粒卷积运算，有效提升了网络的感知能力和非线性拟合能力。此外，还对传统的随机梯度下降(SGD)训练方式进行了改进，引入了一种基于分数阶动量的梯度下降法，该方法使用训练动量进行自适应训练调节，有效解决了SGD训练误差不稳定、容易陷入局部最优等缺点。以某供电公司安监部门采集的视频数据集为样本进行的性能测试结果表明，其识别精度可达92.25%，相较于普通C3D网络，识别精度提升了4.89%，训练时间下降了61.41%。