[發(fā)明專利]一種基于結構推理網絡的高鐵接觸網多種零部件定位方法

有效

• 申請?zhí)枺?/td>: 201910839945.5
• 申請日: 2019-09-06
• 公開（公告）號: CN110533725B
• 公開（公告）日: 2022-04-29
• 發(fā)明（設計）人: 劉志剛;劉凱
• 申請（專利權）人: 西南交通大學
• 主分類號: G06T7/73
• 分類號: G06T7/73;G06T7/00
• 代理公司: 成都信博專利代理有限責任公司 51200
• 代理人: 劉凱

1.一種基于結構推理網絡的高鐵接觸網多種零部件定位方法，其特征在于，包括以下步驟：

步驟1：獲取高鐵接觸網零部件圖像數據集，根據高鐵接觸網零部件相對位置關系的固定結構，分析出設計結構推理網絡進行檢測的可行性；

步驟2：根據步驟1的分析結論，設計結構推理網絡：

S1：縮放輸入高鐵接觸網零部件圖像及標注信息至統(tǒng)一大小；

S2：將輸入圖像傳入特征提取網絡中，通過對圖像進行多層卷積計算進行特征提取；

S3：將特征提取網絡輸出的最后一張?zhí)卣鲌D輸入到區(qū)域建議網絡中，生成可能存在零部件的建議區(qū)域；

S4：提取所述最后一張?zhí)卣鲌D的所有建議區(qū)域中心點，生成節(jié)點信息；

S5：將圖節(jié)點信息輸入感興趣區(qū)域池化層，再傳入全連接層生成節(jié)點特征向量；

S6：將S2中特征提取網絡輸出的最后一張?zhí)卣鲌D輸入感興趣區(qū)域池化層再到全連接層，生成一維向量即場景特征向量；

S7：將S4中生成的節(jié)點信息提取邊界信息生成邊界特征向量；

S8：將節(jié)點特征向量、場景特征向量和邊界特征向量分別輸入到門控循環(huán)單元模塊中；

S9：最后將S8的輸出通過Softmax分類器和Smooth L1回歸器得到零部件類別和坐標；

步驟3：將步驟1得到的高鐵接觸網零部件圖像數據集輸入推理網絡中進行分類訓練，輸入新圖片得到其定位信息。

2.根據權利要求1所述的基于結構推理網絡的高鐵接觸網多種零部件定位方法，其特征在于，所述步驟S4中生成節(jié)點信息的過程如下：

S41：遍歷所述最后一張?zhí)卣鲌D所有建議區(qū)域，每個建議區(qū)域為已知左上角坐標(x₁,y₁)和右下角坐標(x₂,y₂)的矩形框；

S42：計算節(jié)點信息，即矩形框中心點(x_mid,y_mid)，計算公式如下：

3.根據權利要求1所述的基于結構推理網絡的高鐵接觸網多種零部件定位方法，其特征在于，所述步驟S6中生成場景特征向量的過程如下：

S61：將由卷積神經網絡構成的特征提取網絡輸出的特征圖輸入感興趣區(qū)域池化層，將不同大小的感興趣區(qū)域轉換為固定大小并為接下來的全連接層固定輸入大小；

S62：全連接層得到固定的輸入大小后經過與輸入大小相同的卷積核卷積后，得到場景特征向量。

4.根據權利要求1所述的基于結構推理網絡的高鐵接觸網多種零部件定位方法，其特征在于，所述步驟S7中生成邊界特征向量的過程如下：

S71：遍歷所述最后一張?zhí)卣鲌D所有的n個節(jié)點信息，連接所有節(jié)點生成邊；

S72：選擇第i個節(jié)點并計算其與第j個節(jié)點之間的邊；邊的信息包括第i個節(jié)點的坐標(x_i,y_i)以及該節(jié)點到第j節(jié)點(x_j,y_j)的角度θ_ij及距離L_ij，計算公式如下：

S73：由n個節(jié)點得到2n個邊界，每個邊界特征向量為(x_i,y_i,θ_ij,L_ij)。

5.根據權利要求1所述的基于結構推理網絡的高鐵接觸網多種零部件定位方法，其特征在于，所述門控循環(huán)單元模塊包括更新門和重置門，更新門控制前一時刻的狀態(tài)信息被帶入到當前狀態(tài)中的程度；重置門控制前一狀態(tài)有多少信息被寫入到當前的候選集上。

6.根據權利要求1所述的基于結構推理網絡的高鐵接觸網多種零部件定位方法，其特征在于，所述高鐵接觸網零部件圖像數據集為：高鐵檢測車天窗拍攝收集的圖像通過人工標記的方式生成含有零部件位置及種類信息的xml文件。

7.根據權利要求1所述的基于結構推理網絡的高鐵接觸網多種零部件定位方法，其特征在于，所述Softmax分類器公式如下：

其中，L為損失值，T為類別集合，s_j為全連接網絡輸入的置信度，T_i為正確標簽值；所述Smooth L1回歸器公式如下：

其中，smooth_L1為回歸器輸出損失值，x為預測值與目標值之間的距離。