[發明專利]一種基于深度學習技術的巡檢作業評價方法

在審

• 申請號: 202010120499.5
• 申請日: 2020-02-26
• 公開（公告）號: CN111325167A
• 公開（公告）日: 2020-06-23
• 發明（設計）人: 顧小山;倪建軍;王建輝;周斌;郭延安;陳敏俊;黃凌云;高健;高原;高翔;李楓
• 申請（專利權）人: 中國鐵路上海局集團有限公司南京動車段
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62;G06N3/04;G06N3/08;G06Q10/06;G06Q10/00
• 代理公司: 天津市三利專利商標代理有限公司 12107
• 代理人: 韓新城

本發明公開一種基于深度學習技術的巡檢作業評價方法，利用巡檢儀采集設備，對巡檢作業現場目標對象進行拍照，然后利用基于深度學習的圖像比對服務模型自動對拍攝的巡檢作業圖片進行分析和比對，反饋確認作業質量，從而實現作業過程質量的評價。本發明通過利用巡檢儀采集設備，對巡檢作業現場關鍵部位和關鍵點進行拍照，基于深度學習的圖像比對服務模型自動對拍攝的巡檢作業圖片進行分析和評分，反饋確認作業質量，從而實現作業過程質量的初步評價。

技術領域

本發明涉及巡檢作業評價技術領域，特別是涉及一種基于深度學習技術的巡檢作業評價方法。

背景技術

高速動車組的運行環境復雜、客載量大、長交路持續運行對整個動車組牽引輔助系統、制動系統、鐵路砟道性能影響非常大，給動車組列車檢修效率的提升及檢修成本的控制帶來了巨大挑戰。

發明內容

本發明的目的是針對現有技術中存在的技術缺陷，而提供一種基于深度學習技術的巡檢作業評價方法。

為實現本發明的目的所采用的技術方案是：

一種基于深度學習技術的巡檢作業評價方法，包括步驟：

利用巡檢儀采集設備，對巡檢作業現場目標對象進行拍照，然后利用基于深度學習的圖像比對服務模型自動對拍攝的巡檢作業圖片進行分析和比對，反饋確認作業質量，從而實現作業過程質量的評價。

其中，所述基于深度學習的圖像比對服務模型包括基于通道注意力的深度可分離卷積塊，該基于通道注意力的深度可分離卷積塊對經過深度可分離卷積得到的張量流U，首先進行全局均值池化層得到每一個通道對應的一個標量值，然后經過兩層全連接層的先降維再升維的變化，增加非線性特征，再經過Sigmoid激活函數處理，最終把得到的向量與張量流U進行點積操作，最終輸出新的張量流，完成特征提取工作；其中該得到的向量的向量長度和張量流U的通道數相同；最后通過SoftMax層完成最終的對比服務。

其中，所述通過SoftMax層完成最終的對比服務的步驟如下：

將神經網絡提取特征后會所得到輸出節點值，經過Softmax激活函數激活后變成對應各自的概率值，作為對比服務中的相似度值，根據該相似度值的大小，判斷所采集的圖片屬于哪一個類別，至此完成比對服務。

其中，使用交叉熵損失函數來計算損失值，然后通過反向傳播算法訓練模型，使用隨機梯度下降優化模型：

交叉熵損失函數K表示類別數量，y表示是否是類別c，y∈(0,1)，p表示屬于類別c概率值。

本發明通過利用巡檢儀采集設備，對巡檢作業現場關鍵部位和關鍵點進行拍照，將現場拍照的圖片和模板作業圖片進行對比分析，自動確認檢修作業人員是否對相應位置進行作業，基于深度學習的比對服務模型自動對拍攝的巡檢作業圖片進行分析和評分，反饋確認作業質量，從而實現作業過程質量的自動評價。通過自動評價能夠減少管理人員的工作量，對作業人員作業質量全覆蓋有效評價，提高作業質量、檢修效率和手段，確保動車組安全運行。

附圖說明

圖1是基于深度學習技術的巡檢作業評價方法的比對服務模型比對過程圖；

圖2是傳統卷積過程的示意圖；

圖3是傳統卷積過程的示意圖；

圖4是深度卷積過程的示意圖；

圖5是逐點卷積過程的示意圖；

圖6是逐點卷積過程的示意圖；

圖7是SE模塊；

圖8為深度可分離卷積塊(DSConv)，其中DepthwiseConV表示深度可分離卷積，BN表示批歸一化層，ReLU為激活函數；