[發明專利]并聯池化層對受電弓碳滑板表面磨耗檢測模型的優化方法

有效

• 申請號: 201810204111.2
• 申請日: 2018-03-13
• 公開（公告）號: CN108596203B
• 公開（公告）日: 2022-03-04
• 發明（設計）人: 魏秀琨;李巖;賈利民;李晨亮;劉玉鑫;魏德華;尹賢賢;江思陽;楊子明;李賽;孟鴻飛;滕延芹;王熙楠;趙利瑞
• 申請（專利權）人: 北京交通大學
• 主分類號: G06V30/19
• 分類號: G06V30/19;G06N3/04
• 代理公司: 北京正理專利代理有限公司 11257
• 代理人: 付生輝

1.一種并聯池化層對受電弓碳滑板表面磨耗檢測模型的優化方法，其特征在于，包括以下步驟：

1)采集受電弓滑板表面缺陷圖像，并進行圖像預處理，得到數據集；其中，所述數據集包含訓練數據與測試數據，訓練數據包含有標簽數據與無標簽數據兩類；

2)在CAFFE框架下搭建半監督卷積神經網絡，并利用無標簽數據對模型進行訓練；

3)基于隨機池化原理，將原始的池化層換用為并聯池化層，對有標簽數據與無標簽數據差異化采樣，完成對受電弓碳滑板表面磨耗檢測模型的優化；

所述并聯池化層結構為通過slicer與concat層，將拼接的有標簽數據與無標簽數據進行切分，對所述有標簽數據采用最大池化采樣，對所述無標簽數據采用隨機池化采樣；

所述并聯池化層結構還包括設置單獨的池化路徑對測試階段的池化進行最大池化采樣；

所述差異化采樣為采用隨機池化層對無標簽數據進行采樣，采用最大池化層對有標簽數據進行采樣。

2.根據權利要求1所述的優化方法，其特征在于，所述圖像預處理包括圖像的歸一化和數據庫的編制；其中，所述圖像的歸一化包括尺寸歸一化、色彩模式歸一化、全局特征標準化和圖像去均值；所述數據庫的編制是將預處理的圖像轉換為數據集。

3.根據權利要求1所述的優化方法，其特征在于，所述半監督卷積神經網絡是通過構建變換穩定性損失函數與互斥損失函數定義無標簽數據的損失函數，借助無標簽數據的損失函數對無標簽數據的誤差進行計算。

4.根據權利要求3所述的優化方法，其特征在于，對于一個樣本xi∈X，設置其重復通過網絡的次數為n，每次通過網絡均對其進行隨機線性或非線性變換T_j，那么，對于一個樣本量為N的數據集，所述變換穩定性損失函數為

其中，為對第i個樣本xi第j次通過模型時的預測輸出值，T^j(xi)為樣本x_i第j次輸入網絡前所采取隨機變換之后的樣本。

5.根據權利要求3所述的優化方法，其特征在于，對于訓練樣本x_i，所述互斥損失函數為：

其中，C為categories，代表數據的類別數；為樣本xi的預測結果向量中的第k個元素；為樣本xi經過分類器f后的理想輸出向量，k為樣本的預測類別，且k∈K。

6.根據權利要求3所述的優化方法，其特征在于，所述無標簽數據的損失函數為其中λ₁和λ₂分別為變換穩定性損失函數與互斥損失函數在無標簽數據損失函數l_u中所占的權值。

7.根據權利要求1所述的優化方法，其特征在于，所述并聯池化層的配置數量與部署位置為使用一層并聯池化層，且將其布置在卷積神經網絡的淺層。