[發明專利]基于注意力機制的高鐵接觸網緊固件識別與定位方法

在審

• 申請號: 202010410238.7
• 申請日: 2020-05-15
• 公開（公告）號: CN111753653A
• 公開（公告）日: 2020-10-09
• 發明（設計）人: 張珹;聶晶鑫;李飛;張學武;田升平;丁正全;鄭筱彥;李晉;金光;劉剛;宮衍圣;隋延民;吳亞飛;趙瑋;王強;王玉環;張賢玉;余楊武
• 申請（專利權）人: 中鐵第一勘察設計院集團有限公司;中國鐵建股份有限公司
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/32;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 西安新思維專利商標事務所有限公司 61114
• 代理人: 李罡

1.基于注意力機制的高鐵接觸網緊固件識別與定位方法，其特征在于：

在ResNet50殘差卷積網絡中引入注意力機制，通過在每一個殘差模塊中添加注意力模型，形成殘差注意力網絡，作為用于特征提取的卷積神經網絡。

2.根據權利要求1所述的基于注意力機制的高鐵接觸網緊固件識別與定位方法，其特征在于：

包括以下步驟：

步驟1：基于注意力模型機制的接觸網緊固件識別與定位深度網絡模型訓練；

步驟1.1：準備數據集：通過4C系統采集大量高鐵接觸網圖像，對所有圖像的尺寸進行標準化及人工標注緊固件所在位置，將其按比例化分為訓練集、驗證集和測試集；

步驟1.2：將訓練集用于基于注意力機制的接觸網緊固件識別與定位深度網絡的訓練，得到深度網絡模型，深度網絡模型包括注意力模塊和區域推薦模塊；

步驟2：接觸網緊固件識別與定位：將高鐵接觸網圖像輸入訓練好的深度網絡模型，得到各種緊固件的類別和在接觸網圖像中的位置信息；

步驟2.1：從4C系統獲取接觸網圖像，對其圖像的尺寸進行標準化；

步驟2.2：將標準化后的圖像輸入步驟1得到的深度網絡模型，計算每類緊固件在接觸網圖像中的位置信息。

3.根據權利要求2所述的基于注意力機制的高鐵接觸網緊固件識別與定位方法，其特征在于：

在步驟1.1中，對所有圖像的尺寸進行標準化及人工標注后，形成VOC格式數據集，標注信息存放在XML格式文件中，將其按比例0.70:0.15:0.15化分為訓練集、驗證集和測試集；

在步驟1.2中，深度網絡模型采用ResNet50。

4.根據權利要求3所述的基于注意力機制的高鐵接觸網緊固件識別與定位方法，其特征在于：

步驟1.2具體為：

(1)將制作完成的訓練集輸入殘差注意力網絡，先經過卷積運算，輸出特征圖F；將F輸入注意力模塊，再次進行卷積操作生成特征圖F₁，在通道維度分別對F₁進行最大池化和平均池化操作，生成通道與F₁一致的注意力圖F_avg和F_max，再經過共享的多層感知機得到與F_avg和F_max尺寸大小相同的兩個注意力特征圖，將兩圖對應元素按比例相加，經過sigmoid函數激活到[0,1]區間表示為概率，得到與F_avg和F_max尺寸相同的通道注意力特征圖M，將M的每個通道的概率與特征圖F₁對應通道的元素相乘得到注意力模塊的輸出特征圖F₂，之后F₂進入下面的卷積層或下一個注意力模塊，繼續進行操作，最終輸出具有目標部件特征表示的深度網絡特征圖F_L；

(2)特征圖F_L進入區域推薦模塊，首先進行3*3卷積運算，不改變尺寸，得到F_T，在訓練階段，首先通過區域中心點預測分支對每個像素點分類，對特征圖F_T進行1*1卷積操作，并用sigmoid函數激活為概率，訓練分類網絡，計算每個像素點作為中心點的概率，篩選出相應的區域中心點(x_i,y_i)，舍去大部分無效的特征點；

(3)邊界框回歸分支對特征圖F_T所有像素點進行1*1卷積操作，通過優化與人工標注目標框的交并比，進行邊框回歸，計算出最佳的寬w_i和高h_i，得到通道為2的結果圖來訓練回歸網絡，最終將得到的預測框位置信息(x_i,y_i,w_i,h_i)，結合有用區域中心點，篩選與人工標注框的交并比大于0.7的檢測框作為候選區域，輸出有用區域中心點的檢測框的位置信息；

(4)接著將位置信息輸入特征圖F_L，進行RoI池化操作，該操作的目的是使得不同尺寸的候選區域輸出尺寸相同，之后進入全連接層，對RoI池化后的候選區域再次與經過相同處理的人工標注目標框進行邊框回歸操作并分類，輸出最終區域推薦信息和得分，完成深度網絡模型訓練操作。

5.根據權利要求4所述的基于注意力機制的高鐵接觸網緊固件識別與定位方法，其特征在于：

通過區域中心點預測分支對每個像素點分類的過程為：若某像素點落入人工標注的標注框的中心區域，分類為正樣本；若落入標注框外，分類為負樣本；落入標注框內的無效區域，舍棄。