[發明專利]基于深度學習的鐵路動車撒砂管松脫故障檢測方法

在審

• 申請號: 202011183656.3
• 申請日: 2020-10-29
• 公開（公告）號: CN112308135A
• 公開（公告）日: 2021-02-02
• 發明（設計）人: 付德敏
• 申請（專利權）人: 哈爾濱市科佳通用機電股份有限公司
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N3/04
• 代理公司: 哈爾濱市松花江專利商標事務所 23109
• 代理人: 時起磊

1.基于深度學習的鐵路動車撒砂管松脫故障檢測方法，其特征在于，包括以下步驟：

獲取待檢測的撒砂管圖像，利用CASCADERCNN網絡模型進行檢測，輸出故障類別及對應的位置；

CASCADERCNN網絡在訓練過程中的損失函數如下：

其中，N_cls為分類樣本總數，p_i是不同類別的分類概率；N_reg為回歸框個數，t_i＝{t_x,t_y,t_w,t_h}是一個向量，t_x,t_y,t_w,t_h分別表示候選框x坐標、y坐標、寬度以及高度的偏移量；參數λ用來權衡分類損失與回歸損失的比例，正樣本時為1，負樣本時為0；是與t_i維度相同的向量，表示候選框對標記框的偏移量；L_cls(p_i)為目標預測的分類損失函數，為回歸預測的位置損失函數；

目標預測的分類損失函數：

其中，γ為正數，α_i用于調節正負樣本的比例，h表示預測當前類別概率值，t表示真實標簽類別值。

2.根據權利要求1所述基于深度學習的鐵路動車撒砂管松脫故障檢測方法，其特征在于，所述回歸預測的位置損失函數如下：

其中，

3.根據權利要求2所述基于深度學習的鐵路動車撒砂管松脫故障檢測方法，其特征在于，所述的CASCADERCNN網絡包括一個深度殘差網絡、一個RPN網絡和一個預測網絡，具體的結構如下：

深度殘差網絡、RPN網絡和預測網絡依次連接，深度殘差網絡的輸出輸入到RPN網絡，RPN網絡出入前景候選框輸入預測網絡。

4.根據權利要求3所述基于深度學習的鐵路動車撒砂管松脫故障檢測方法，其特征在于，所述的深度殘差網絡結構為conv層+第一pool層+若干個殘差模塊+第二pool層+FC層。

5.根據權利要求4所述基于深度學習的鐵路動車撒砂管松脫故障檢測方法，其特征在于，所述的殘差模塊結構如下：

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

6.根據權利要求5所述基于深度學習的鐵路動車撒砂管松脫故障檢測方法，其特征在于，所述的深度殘差網絡結構中，conv層為7*7的conv；第一pool層為2*2的pool。

7.根據權利要求6所述基于深度學習的鐵路動車撒砂管松脫故障檢測方法，其特征在于，所述的深度殘差網絡結構中，第二pool層為avgpool。

8.根據權利要求4、5、6或7所述基于深度學習的鐵路動車撒砂管松脫故障檢測方法，其特征在于，所述的深度殘差網絡結構中，殘差模塊的數量為6個。

9.根據權利要求8所述基于深度學習的鐵路動車撒砂管松脫故障檢測方法，其特征在于，CASCADERCNN網絡的訓練過程包括以下步驟：

將目標圖像輸入到深度殘差網絡進行圖像的特征提取，得到特征圖；

將深度殘差網絡輸出的特征圖輸入到RPN網絡中，生成目標區域候選框，根據候選框分類確定區域為前景或背景的類別，同時對候選框的位置進行回歸調節；

將RPN網絡得到的前景候選框輸入到預測網絡中，得到各目標分類及目標框位置，再將得到的目標框再次帶入預測網絡中，重復迭代3次，3次的iou分別設為0.5,0.6,0.7，得到最終的各目標分類及目標框位置。

10.根據權利要求9所述基于深度學習的鐵路動車撒砂管松脫故障檢測方法，其特征在于，將深度殘差網絡輸出的特征圖輸入到RPN網絡中，生成目標區域候選框的過程包括以下步驟：

使用滑動窗口在低維特征圖上滑動，以滑動窗口中心映射到撒砂管部件區域對應的目標圖像上，當目標圖像上映射到的區域與標記文件中的標記的目標位置的IOU大于0.7時，則該候選框區域為正樣本，當目標圖像上映射到的撒砂管部件的區域與標記文件中的標記的目標位置的IOU小于0.3時，則該候選框區域為負樣本，然后以正負樣本1：1訓練RPN網絡，訓練最后輸出的分類回歸任務是，隨機抽取64個與真實目標標記位置IOU大于0.5為前景，IOU大于0.1且小于0.5的區域為背景。