[發(fā)明專利]基于深度學(xué)習(xí)的鐵路動(dòng)車撒砂管松脫故障檢測(cè)方法

在審

• 申請(qǐng)?zhí)枺?/td>: 202011183656.3
• 申請(qǐng)日: 2020-10-29
• 公開（公告）號(hào): CN112308135A
• 公開（公告）日: 2021-02-02
• 發(fā)明（設(shè)計(jì)）人: 付德敏
• 申請(qǐng)（專利權(quán)）人: 哈爾濱市科佳通用機(jī)電股份有限公司
• 主分類號(hào): G06K9/62
• 分類號(hào): G06K9/62;G06N3/04
• 代理公司: 哈爾濱市松花江專利商標(biāo)事務(wù)所 23109
• 代理人: 時(shí)起磊

1.基于深度學(xué)習(xí)的鐵路動(dòng)車撒砂管松脫故障檢測(cè)方法，其特征在于，包括以下步驟：

獲取待檢測(cè)的撒砂管圖像，利用CASCADERCNN網(wǎng)絡(luò)模型進(jìn)行檢測(cè)，輸出故障類別及對(duì)應(yīng)的位置；

CASCADERCNN網(wǎng)絡(luò)在訓(xùn)練過程中的損失函數(shù)如下：

其中，N_cls為分類樣本總數(shù)，p_i是不同類別的分類概率；N_reg為回歸框個(gè)數(shù)，t_i＝{t_x,t_y,t_w,t_h}是一個(gè)向量，t_x,t_y,t_w,t_h分別表示候選框x坐標(biāo)、y坐標(biāo)、寬度以及高度的偏移量；參數(shù)λ用來權(quán)衡分類損失與回歸損失的比例，正樣本時(shí)為1，負(fù)樣本時(shí)為0；是與t_i維度相同的向量，表示候選框?qū)?biāo)記框的偏移量；L_cls(p_i)為目標(biāo)預(yù)測(cè)的分類損失函數(shù)，為回歸預(yù)測(cè)的位置損失函數(shù)；

目標(biāo)預(yù)測(cè)的分類損失函數(shù)：

其中，γ為正數(shù)，α_i用于調(diào)節(jié)正負(fù)樣本的比例，h表示預(yù)測(cè)當(dāng)前類別概率值，t表示真實(shí)標(biāo)簽類別值。

2.根據(jù)權(quán)利要求1所述基于深度學(xué)習(xí)的鐵路動(dòng)車撒砂管松脫故障檢測(cè)方法，其特征在于，所述回歸預(yù)測(cè)的位置損失函數(shù)如下：

其中，

3.根據(jù)權(quán)利要求2所述基于深度學(xué)習(xí)的鐵路動(dòng)車撒砂管松脫故障檢測(cè)方法，其特征在于，所述的CASCADERCNN網(wǎng)絡(luò)包括一個(gè)深度殘差網(wǎng)絡(luò)、一個(gè)RPN網(wǎng)絡(luò)和一個(gè)預(yù)測(cè)網(wǎng)絡(luò)，具體的結(jié)構(gòu)如下：

深度殘差網(wǎng)絡(luò)、RPN網(wǎng)絡(luò)和預(yù)測(cè)網(wǎng)絡(luò)依次連接，深度殘差網(wǎng)絡(luò)的輸出輸入到RPN網(wǎng)絡(luò)，RPN網(wǎng)絡(luò)出入前景候選框輸入預(yù)測(cè)網(wǎng)絡(luò)。

4.根據(jù)權(quán)利要求3所述基于深度學(xué)習(xí)的鐵路動(dòng)車撒砂管松脫故障檢測(cè)方法，其特征在于，所述的深度殘差網(wǎng)絡(luò)結(jié)構(gòu)為conv層+第一pool層+若干個(gè)殘差模塊+第二pool層+FC層。

5.根據(jù)權(quán)利要求4所述基于深度學(xué)習(xí)的鐵路動(dòng)車撒砂管松脫故障檢測(cè)方法，其特征在于，所述的殘差模塊結(jié)構(gòu)如下：

輸入先經(jīng)過1*1的conv，然后分成兩條支路，一條支路經(jīng)過3*3的conv，再經(jīng)過1*1的conv，另一條支路經(jīng)過1*1的conv，然后兩條支路的輸出融合作為最終輸出。

6.根據(jù)權(quán)利要求5所述基于深度學(xué)習(xí)的鐵路動(dòng)車撒砂管松脫故障檢測(cè)方法，其特征在于，所述的深度殘差網(wǎng)絡(luò)結(jié)構(gòu)中，conv層為7*7的conv；第一pool層為2*2的pool。

7.根據(jù)權(quán)利要求6所述基于深度學(xué)習(xí)的鐵路動(dòng)車撒砂管松脫故障檢測(cè)方法，其特征在于，所述的深度殘差網(wǎng)絡(luò)結(jié)構(gòu)中，第二pool層為avgpool。

8.根據(jù)權(quán)利要求4、5、6或7所述基于深度學(xué)習(xí)的鐵路動(dòng)車撒砂管松脫故障檢測(cè)方法，其特征在于，所述的深度殘差網(wǎng)絡(luò)結(jié)構(gòu)中，殘差模塊的數(shù)量為6個(gè)。

9.根據(jù)權(quán)利要求8所述基于深度學(xué)習(xí)的鐵路動(dòng)車撒砂管松脫故障檢測(cè)方法，其特征在于，CASCADERCNN網(wǎng)絡(luò)的訓(xùn)練過程包括以下步驟：

將目標(biāo)圖像輸入到深度殘差網(wǎng)絡(luò)進(jìn)行圖像的特征提取，得到特征圖；

將深度殘差網(wǎng)絡(luò)輸出的特征圖輸入到RPN網(wǎng)絡(luò)中，生成目標(biāo)區(qū)域候選框，根據(jù)候選框分類確定區(qū)域?yàn)榍熬盎虮尘暗念悇e，同時(shí)對(duì)候選框的位置進(jìn)行回歸調(diào)節(jié)；

將RPN網(wǎng)絡(luò)得到的前景候選框輸入到預(yù)測(cè)網(wǎng)絡(luò)中，得到各目標(biāo)分類及目標(biāo)框位置，再將得到的目標(biāo)框再次帶入預(yù)測(cè)網(wǎng)絡(luò)中，重復(fù)迭代3次，3次的iou分別設(shè)為0.5,0.6,0.7，得到最終的各目標(biāo)分類及目標(biāo)框位置。

10.根據(jù)權(quán)利要求9所述基于深度學(xué)習(xí)的鐵路動(dòng)車撒砂管松脫故障檢測(cè)方法，其特征在于，將深度殘差網(wǎng)絡(luò)輸出的特征圖輸入到RPN網(wǎng)絡(luò)中，生成目標(biāo)區(qū)域候選框的過程包括以下步驟：

使用滑動(dòng)窗口在低維特征圖上滑動(dòng)，以滑動(dòng)窗口中心映射到撒砂管部件區(qū)域?qū)?yīng)的目標(biāo)圖像上，當(dāng)目標(biāo)圖像上映射到的區(qū)域與標(biāo)記文件中的標(biāo)記的目標(biāo)位置的IOU大于0.7時(shí)，則該候選框區(qū)域?yàn)檎龢颖荆?dāng)目標(biāo)圖像上映射到的撒砂管部件的區(qū)域與標(biāo)記文件中的標(biāo)記的目標(biāo)位置的IOU小于0.3時(shí)，則該候選框區(qū)域?yàn)樨?fù)樣本，然后以正負(fù)樣本1：1訓(xùn)練RPN網(wǎng)絡(luò)，訓(xùn)練最后輸出的分類回歸任務(wù)是，隨機(jī)抽取64個(gè)與真實(shí)目標(biāo)標(biāo)記位置IOU大于0.5為前景，IOU大于0.1且小于0.5的區(qū)域?yàn)楸尘啊?/p>