[發(fā)明專利]并聯(lián)池化層對(duì)受電弓碳滑板表面磨耗檢測(cè)模型的優(yōu)化方法

有效

• 申請(qǐng)?zhí)枺?/td>: 201810204111.2
• 申請(qǐng)日: 2018-03-13
• 公開（公告）號(hào): CN108596203B
• 公開（公告）日: 2022-03-04
• 發(fā)明（設(shè)計(jì)）人: 魏秀琨;李巖;賈利民;李晨亮;劉玉鑫;魏德華;尹賢賢;江思陽(yáng);楊子明;李賽;孟鴻飛;滕延芹;王熙楠;趙利瑞
• 申請(qǐng)（專利權(quán)）人: 北京交通大學(xué)
• 主分類號(hào): G06V30/19
• 分類號(hào): 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

本發(fā)明公開一種并聯(lián)池化層對(duì)受電弓碳滑板表面磨耗檢測(cè)模型的優(yōu)化方法，包括以下步驟：1)采集受電弓滑板表面缺陷圖像，并進(jìn)行圖像預(yù)處理，得到數(shù)據(jù)集；其中，所述數(shù)據(jù)集包含訓(xùn)練數(shù)據(jù)與測(cè)試數(shù)據(jù)，訓(xùn)練數(shù)據(jù)包含有標(biāo)簽數(shù)據(jù)與無(wú)標(biāo)簽數(shù)據(jù)兩類；2)在CAFFE框架下搭建半監(jiān)督卷積神經(jīng)網(wǎng)絡(luò)，并利用無(wú)標(biāo)簽數(shù)據(jù)對(duì)模型進(jìn)行訓(xùn)練；3)基于隨機(jī)池化原理，將原始的池化層換用為并聯(lián)池化層，對(duì)有標(biāo)簽數(shù)據(jù)與無(wú)標(biāo)簽數(shù)據(jù)差異化采樣，完成對(duì)基于半監(jiān)督卷積神經(jīng)網(wǎng)絡(luò)受電弓碳滑板表面磨耗檢測(cè)模型的優(yōu)化。本發(fā)明采用并聯(lián)池化層對(duì)不同屬性數(shù)據(jù)差異化取樣，增強(qiáng)了半監(jiān)督卷積神經(jīng)網(wǎng)絡(luò)對(duì)無(wú)標(biāo)簽數(shù)據(jù)的利用效率，提升了受電弓碳滑板表面磨耗檢測(cè)模型的優(yōu)化效果。

技術(shù)領(lǐng)域

本發(fā)明涉及軌道交通車輛設(shè)備故障診斷領(lǐng)域。更具體地，涉及一種并聯(lián)池化層對(duì)受電弓碳滑板表面磨耗檢測(cè)模型的優(yōu)化方法。

背景技術(shù)

隨著計(jì)算機(jī)運(yùn)算能力與相關(guān)技術(shù)的快速發(fā)展，深度學(xué)習(xí)理論正在得到越來(lái)越廣泛的應(yīng)用。其在圖像識(shí)別領(lǐng)域的自動(dòng)化與智能化，使得可以將之應(yīng)用于基于圖像識(shí)別的受電弓滑板表面磨耗類型判斷。相較之傳統(tǒng)的圖像檢測(cè)方法，深度學(xué)習(xí)僅需搭建適當(dāng)?shù)木W(wǎng)絡(luò)模型，并對(duì)原始圖像進(jìn)行簡(jiǎn)單的預(yù)處理，便可利用網(wǎng)絡(luò)對(duì)其進(jìn)行自主學(xué)習(xí)與特征提取，實(shí)現(xiàn)全自動(dòng)的圖像識(shí)別；模型一旦完成訓(xùn)練，即可直接用于圖像識(shí)別。訓(xùn)練與使用過程均無(wú)需依賴人工對(duì)圖像與模型進(jìn)行復(fù)雜操作。網(wǎng)絡(luò)對(duì)低級(jí)特征的非線性融合使得模型對(duì)病害高級(jí)特征的識(shí)別能夠不受光照、位移、尺度等變化的影響，具有更好的魯棒性，以及更高的自動(dòng)化與智能化程度。

傳統(tǒng)的深度學(xué)習(xí)算法通常為有監(jiān)督學(xué)習(xí)模型，需要借助大量高質(zhì)量有標(biāo)簽數(shù)據(jù)對(duì)其進(jìn)行訓(xùn)練，因此對(duì)有標(biāo)簽數(shù)據(jù)的數(shù)據(jù)量較為敏感。當(dāng)有標(biāo)簽數(shù)據(jù)不足時(shí)，模型無(wú)法得到充分的學(xué)習(xí)，導(dǎo)致其對(duì)滑板表面磨耗的檢測(cè)準(zhǔn)確率較低。因此，有學(xué)者通過卷積神經(jīng)網(wǎng)絡(luò)對(duì)圖像的變換穩(wěn)定性，與不同類別數(shù)據(jù)分布的互斥性規(guī)律，借助半監(jiān)督學(xué)習(xí)理論，實(shí)現(xiàn)了半監(jiān)督卷積神經(jīng)網(wǎng)絡(luò)模型，實(shí)現(xiàn)了對(duì)無(wú)標(biāo)簽圖像數(shù)據(jù)的利用，使得僅利用少量有標(biāo)簽數(shù)據(jù)訓(xùn)練的有監(jiān)督模型效果得到了一定的提升。然而對(duì)于傳統(tǒng)的卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，該半監(jiān)督方法對(duì)其效果的提升較為有限。因此，需要提供對(duì)不同屬性的圖像數(shù)據(jù)進(jìn)行差異化隨機(jī)下采樣的方法，使得無(wú)標(biāo)簽數(shù)據(jù)具有更為隨機(jī)的非線性變化，從而增強(qiáng)了該半監(jiān)督方法對(duì)無(wú)標(biāo)簽數(shù)據(jù)的利用效率，進(jìn)一步提升該半監(jiān)督算法對(duì)標(biāo)準(zhǔn)卷積神經(jīng)網(wǎng)絡(luò)的優(yōu)化效果。

發(fā)明內(nèi)容

本發(fā)明的目的在于提供一種利用并聯(lián)池化層對(duì)基于半監(jiān)督卷積神經(jīng)網(wǎng)絡(luò)的受電弓碳滑板表面磨耗檢測(cè)模型的優(yōu)化方法，該方法利用并聯(lián)池化層對(duì)不同屬性的圖像數(shù)據(jù)進(jìn)行差異化隨機(jī)采樣，使得無(wú)標(biāo)簽數(shù)據(jù)具有更為隨機(jī)的非線性變化，從而增強(qiáng)了半監(jiān)督方法對(duì)無(wú)標(biāo)簽數(shù)據(jù)的利用效率，進(jìn)一步提升了半監(jiān)督算法對(duì)標(biāo)準(zhǔn)卷積神經(jīng)網(wǎng)絡(luò)的優(yōu)化效果。

為達(dá)到上述目的，本發(fā)明采用下述技術(shù)方案：

本發(fā)明提供了一種并聯(lián)池化層對(duì)受電弓碳滑板表面磨耗檢測(cè)模型的優(yōu)化方法，包括以下步驟：

1)采集受電弓滑板表面缺陷圖像，并進(jìn)行圖像預(yù)處理，得到數(shù)據(jù)集；其中，所述數(shù)據(jù)集包含訓(xùn)練數(shù)據(jù)與測(cè)試數(shù)據(jù)，訓(xùn)練數(shù)據(jù)包含有標(biāo)簽數(shù)據(jù)與無(wú)標(biāo)簽數(shù)據(jù)兩類；

2)在CAFFE框架下搭建半監(jiān)督卷積神經(jīng)網(wǎng)絡(luò)，并利用無(wú)標(biāo)簽數(shù)據(jù)對(duì)模型進(jìn)行訓(xùn)練；

3)基于隨機(jī)池化原理，將原始的池化層換用為并聯(lián)池化層，對(duì)有標(biāo)簽數(shù)據(jù)與無(wú)標(biāo)簽數(shù)據(jù)差異化采樣，完成對(duì)基于半監(jiān)督卷積神經(jīng)網(wǎng)絡(luò)受電弓碳滑板表面磨耗檢測(cè)模型的優(yōu)化，以提高檢測(cè)效果。

進(jìn)一步，所述圖像預(yù)處理包括圖像的歸一化和數(shù)據(jù)庫(kù)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(biāo)準(zhǔn)化和圖像去均值；所述數(shù)據(jù)庫(kù)的編制是將預(yù)處理的圖像轉(zhuǎn)換為數(shù)據(jù)集。

進(jìn)一步，所述半監(jiān)督卷積神經(jīng)網(wǎng)絡(luò)是通過構(gòu)建變換穩(wěn)定性損失函數(shù)與互斥損失函數(shù)定義無(wú)標(biāo)簽數(shù)據(jù)的損失函數(shù)，借助無(wú)標(biāo)簽數(shù)據(jù)的損失函數(shù)對(duì)無(wú)標(biāo)簽數(shù)據(jù)的誤差進(jìn)行計(jì)算，以實(shí)現(xiàn)模型對(duì)無(wú)標(biāo)簽數(shù)據(jù)的有效利用。