[發明專利]基于深度學習的閘片開口銷丟失檢測方法、系統及裝置

有效

• 申請號: 202011371975.7
• 申請日: 2020-11-30
• 公開（公告）號: CN112465033B
• 公開（公告）日: 2021-08-03
• 發明（設計）人: 張慶宇
• 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;G06T7/00
• 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.基于深度學習的閘片開口銷丟失檢測方法，其特征在于，包括以下步驟：

獲取待測的包含閘片開口銷部件區域的圖像，記為待測閘片開口銷圖像；利用預先訓練好的卷積神經網絡對待測閘片開口銷圖像進行閘片開口銷是否丟失檢測；

所述的卷積神經網絡在訓練過程使用的損失函數為L_final＝λ*L_cluster+L_soft；其中L_final為整體損失函數，λ為比重系數，L_soft為分類損失函數，L_cluster為聚攏損失函數；

所述的聚攏損失函數其中，i表示訓練數據的某個樣本，S_i為第i個樣本的分數向量，y_i表示第i個樣本為y_i類，y_i可取值為{1，2，3，…j}，j表示類別數量，為y_i類的分數中心，M為一批訓練數據的數量；

所述的卷積神經網絡訓練過程中使用的訓練數據集的包括擴增的閘片開口銷圖像，所述擴增的閘片開口銷圖像的擴增過程包括以下步驟：

收集閘片開口銷圖像，然后對閘片開口銷圖像進行如下圖像處理：

f_final(x,y)＝f_smooth(x,y)*f_light(x,y)

其中，f(x,y)為閘片開口銷圖像；x和y為閘片開口銷圖像中像素的行列坐標；f_smooth(x,y)表示平滑函數，f_light(x,y)表示亮度函數，f_final(x,y)為最終生成的圖像，k_template(m,n)表示卷積模板，f_conv(x,y)表示卷積后的函數，G_value(x,y)為輸入圖像某點灰度值的大小，G_max(x,y)和G_min(x,y)為輸入圖像的最大灰度值和最小灰度值；W和H分別為閘片開口銷圖像的寬和高，μ_fconv(x,y)為卷積圖像的平均灰度值，c和γ為卷積模板的行和列；

通過調整k_template(m,n)、c和γ數值產生不同的圖像，對收集的閘片開口銷圖像進行擴增。

2.根據權利要求1所述基于深度學習的閘片開口銷丟失檢測方法，其特征在于，所述的卷積神經網絡在訓練過程中是隨著訓練樣本分批加入而更新的，的更新過程如下：

其中，η為學習率，C_j即為j類別的分數中心，t為迭代次數，C_j^t表示當前迭代的分數中心，C_j^t+1表示下次迭代的分數中心，IF(condition)為條件表達式，IF(condition)＝1，否則為0，表示當y_i和j相同時更新分數中心。

3.根據權利要求2所述基于深度學習的閘片開口銷丟失檢測方法，其特征在于，所述獲取待測的包含閘片開口銷部件區域圖像的過程包括以下步驟：

首先采集動車圖像，然后根據先驗知識定位夾鉗部位，根據夾鉗部位確定閘片部位，進而獲取包含閘片開口銷部件區域的圖像。

4.根據權利要求3所述基于深度學習的閘片開口銷丟失檢測方法，其特征在于，所述的卷積神經網絡訓練過程中使用的訓練數據集還包括人工制造故障的閘片開口銷圖像。

5.根據權利要求4所述基于深度學習的閘片開口銷丟失檢測方法，其特征在于，所述的訓練數據集經過標記后用于卷積神經網絡訓練過程，訓練數據集的標記過程中，將閘片開口銷圖像分為開口銷正常類和開口銷丟失類。

6.基于深度學習的閘片開口銷丟失檢測系統，其特征在于，所述系統用于執行權利要求1至5之一所述的基于深度學習的閘片開口銷丟失檢測方法。

7.基于深度學習的閘片開口銷丟失檢測裝置，其特征在于，所述裝置用于存儲和/或運行權利要求6所述的基于深度學習的閘片開口銷丟失檢測系統。