基于AlexNet模型的CNN对入射功率监控图样的识别

黄卿 黄德宏 黄海 刘权 谢乃辉

（1.广西广播电视技术中心崇左分中心；2.广西广播电视信息网络股份有限公司防城港分公司）

一、引言

近年来，在新技术及经济社会发展强烈需求的共同驱动下，人工智能发展进入新阶段，以机器学习，深度学习为代表的人工智能技术被誉为第四次工业革命。在广播电视行业中，国家广播电视总局科技司也编制了《广播电视人工智能应用白皮书（2018）》，要求将人工智能技术应用于广播电视行业。

卷积神经网络（CNN）在图像和语音识别方面取得了卓越成效。卷积神经网络（Convolutional Neural Networks, CNN）是一类包含卷积计算且具有深度结构的前馈神经网络（Feedforward Neural Networks），是深度学习（deep learning）的代表算法之一[1-2]。

目前，广播电视无线发射台站的监控系统大多采用阈值告警的方式，无法识别阈值内数据波动的故障情况以及数据偶发性超阈值的软故障情况。因此，本文基于CNN的经典模型AlexNet对发射机入射功率监控图进行识别测试，识别出上述两种故障情况。

二、实验样本处理

数据集来源于大新中波台某频率中波发射机入射功率监控图，由于图片特征值明显，因此准备样本集共1000张（小样本数据集），分为两类，频繁在阈值区域内波动（err类）和偶发性功率下降超过阈值（right类），每类样本数量为500张，训练集共800张，验证集共200张。所有图片经过代码预处理，将原本分辨率为1425×630的图片处理成分辨率为475×210的图片，以作为神经网络的输入。

err类例图如图1a所示，某频率1KW发射机日播出周期内的采样显示情况，可以看到，其入射功率频繁在400W上方波动，若门限值设置为400W，则系统不会出现任何的告警。right类例图如图1b所示，入射功率采样显示出现偶发性超阈值的情况，这样的情况理论上是可以忽略的，但系统却因此而出现告警。

图1 监控图样

三、模型的构建

AlexNet模型是2012年ImageNet竞赛冠军获得者Hinton和他的学生Alex Krizhevsky设计的。其包含了 6 亿三千万条连接，6000 万个参数和 65 万个神经元，其网络结构包括 5 层卷积，其中第一、第二和第五层卷积后面连接了最大池化层，然后是 3 个全连接层。AlexNet 不算池化层总共有 8 层，前 5 层为卷积层，其中第一、第二和第五层卷积都包含了一个最大池化层，后三层为全连接层。

由于本文的训练环境采用的计算机是普通的CPU计算机，而此前AlexNet为提高运算效率，利用了两块GPU进行计算，鉴于本次实验的环境无法承载传统的AlexNet模型进行测试，因此有必要对传统的AlexNet模型进行一定的修改。

图2 AlexNet模型修改前后对比图和构建的CNN模型代码图

如图2a所示显示的是传统的AlexNet模型的卷积层、池化层、全连接层参数等信息，如图2b所示的是基于本文的条件修改AlexNet模型后的CNN模型各层参数信息，如图2c所示为基于AlexNet构建的CNN模型代码图，可以看到，修改后的CNN模型，一开始输入的是本文预处理好的 475×210×3的图像，卷积核的数量较传统AlexNet模型缩减一半，为48，大小为11×11×3，步长为4，激活函数依然使用relu。池化层中pool_size = (3, 3),步长为2。之后的卷积核的数量同样较传统AlexNet模型缩减一半，其他保持不变。而由于样本集特征值较为明显，因此可以考虑缩减全连接层神经元数量，最后的全连接层中神经元的个数改为256和64，输出softmax由1000改为2。(图2)

四、模型的训练

模型构建好后，本文基于Keras对模型进行训练，如图3a所示为图片处理方法类图，将样本集进行一定的处理并向模型做路径指引。

在主函数中设置“epochs=30”即训练30轮，便可进行模型测试。如图3c所示为模型训练过程图，可以看到，训练集中acc值随着loss值下降而上升，在验证集方面，val acc的值也随着val loss值的下降而上升，模型的训练精度最终达到了0.995。如图3b所示为模型acc-loss图，图中可以看出，模型虽然存在一些过拟合的现象，但收敛效果较好。因此，可以尝试对模型进行实测。（图3）

图3 图片处理方法类图、模型训练过程图和acc-loss图

图4 模型识别测试样本图

图5 模型调用和识别结果图

五、模型的实测

本文准备了9张未经过模型训练过的样本图作为识别测试图，如图4所示，分别对图由1到9进行编号，可以看到，属于err类的为编号1、编号4、编号5、编号8、编号9这5张图。属于right类的为编号2、编号3、编号6、编号7这4张图。

调用已经保存好的模型对上述图片进行识别实测，如图5所示为模型调用和识别结果图。由最后的输出结果可以看到，模型判断编号1、编号4、编号5、编号8、编号9这5张图为err 类的可能性都为99.9%以上。而判断编号2、编号3、编号6、编号7这4张图为err类的可能性分别仅为：35%左右、20%左右、32%左右、14%左右。因此，该模型基于本次样本集可很好地识别出频繁在阈值区域内波动和偶发性功率下降超过阈值的情况。

六、结语

本文基于卷积神经网络AlexNet模型构建了相应的CNN模型，并用构建的模型对发射机入射功率监控图进行识别，以识别出频繁在阈值区域内波动和偶发性功率下降超过阈值的情况。实验表明，该训练精度为0.995的CNN模型实测效果良好。

随着技术的不断成熟，可以预见，人工智能技术将会在广播电视无线传输发射领域得到大量应用，为安全播出工作的顺利推进保驾护航，并促进广播电视行业的长足发展。