[發明專利]基于深度學習的注水口蓋板丟失檢測方法

有效

• 申請號: 202011530868.4
• 申請日: 2020-12-22
• 公開（公告）號: CN112598640B
• 公開（公告）日: 2021-09-14
• 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: G06T7/00
• 分類號: G06T7/00
• 代理公司: 哈爾濱市陽光惠遠知識產權代理有限公司 23211
• 代理人: 孫莉莉

1.一種基于深度學習的注水口蓋板丟失檢測方法，其特征在于，包括以下步驟：

步驟S1，建立注水口蓋板的圖像訓練集；

步驟S2，獲取目標卷積神經網絡模型，其中，所述目標卷積神經網絡模型包括改進的修正線性單元激活函數，具體地，

所述改進的修正線性單元激活函數包括：單側修正線性單元和雙側修正線性單元，其中，

所述單側修正線性單元的公式為：

其中，x為輸入值，c_min為常量，且c_min0，α為角度常量；

所述雙側修正線性單元的公式為：

其中，c_min和c_max為常量，且c_min0，c_max0，α和γ為角度常量；

步驟S3，通過所述圖像訓練集訓練所述目標卷積神經網絡模型得到訓練好的目標卷積神經網絡模型，其中，所述訓練好的目標卷積神經網絡模型包括最優參數權重；

步驟S4，利用所述訓練好的目標卷積神經網絡模型檢測待檢測圖像的注水口蓋板是否丟失，若丟失，則發出報警信號。

2.根據權利要求1所述的基于深度學習的注水口蓋板丟失檢測方法，其特征在于，所述步驟S1進一步包括：

獲取動車側部線陣圖像，從所述動車側部線陣圖像中定位注水口蓋板區域，獲得多張注水口蓋板原圖圖像；

利用圖像處理算法對所述多張注水口蓋板原圖圖像進行擴增，并標記出正常類和丟失類，利用標記后的注水口蓋板原圖圖像建立訓練集。

3.根據權利要求2所述的基于深度學習的注水口蓋板丟失檢測方法，其特征在于，所述圖像處理算法包括旋轉算法、平移算法和亮度處理算法。

4.根據權利要求3所述的基于深度學習的注水口蓋板丟失檢測方法，其特征在于，所述圖像處理算法包括：

其中，f(x,y)為輸入的注水口蓋板圖像，x和y分別為輸入圖像像素的行列坐標，f_rotate(x,y)為輸入圖像經旋轉后的圖像，f_light(x,y)為輸入圖像經亮度變化后的圖像，f_translate(x,y)為輸入圖像經平移后的圖像，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)分別為輸入圖像的最大灰度值和最小灰度值，w和h分別為注水口蓋板圖像的寬和高，c和γ為常數，α為圖像旋轉的角度，d_x、d_y分別為圖像沿x方向和沿y方向平移的偏移量。

5.根據權利要求1所述的基于深度學習的注水口蓋板丟失檢測方法，其特征在于，所述目標卷積神經網絡模型的網絡層中還包括原修正線性單元。

6.根據權利要求5所述的基于深度學習的注水口蓋板丟失檢測方法，其特征在于，所述原修正線性單元、所述單側修正線性單元和所述雙側修正線性單元以間隔原則加入所述目標卷積神經網絡模型的網絡層中。

7.根據權利要求1所述的基于深度學習的注水口蓋板丟失檢測方法，其特征在于，所述步驟S3進一步包括：

通過所述訓練集訓練所述目標卷積神經網絡模型，得到多個權重值；

選取Adam優化器對所述多個權重值進行梯度下降，利用softmax函數和交叉熵損失函數計算網絡損失，再通過梯度反向傳播不斷更新權重參數，獲得最優參數權重。