[發(fā)明專利]一種基于改進(jìn)YOLO V3網(wǎng)絡(luò)的弓網(wǎng)核心零部件識別方法

在審

• 申請?zhí)枺?/td>: 202111505717.8
• 申請日: 2021-12-10
• 公開（公告）號: CN114187550A
• 公開（公告）日: 2022-03-15
• 發(fā)明（設(shè)計(jì)）人: 劉偉;方黎勇;范崢榮;李昊
• 申請（專利權(quán)）人: 電子科技大學(xué)長三角研究院（湖州）;南京視道信息技術(shù)有限公司
• 主分類號: G06V20/40
• 分類號: G06V20/40;G06V10/764;G06V10/774;G06V10/82;G06K9/62;G06N3/04
• 代理公司: 重慶天成卓越專利代理事務(wù)所(普通合伙) 50240
• 代理人: 王宏松

本發(fā)明提出了一種基于改進(jìn)YOLO V3網(wǎng)絡(luò)的弓網(wǎng)核心零部件識別方法，包括以下步驟：S1，提取弓網(wǎng)數(shù)據(jù)集，然后將弓網(wǎng)數(shù)據(jù)集分為訓(xùn)練集和測試集，并對訓(xùn)練集進(jìn)行處理；S2，將訓(xùn)練集輸入改進(jìn)的YOLO V3網(wǎng)絡(luò)，進(jìn)行網(wǎng)絡(luò)訓(xùn)練；S3，將測試集輸入改進(jìn)的YOLO V3網(wǎng)絡(luò)，得到目標(biāo)識別結(jié)果；本發(fā)明能夠在背景復(fù)雜的地鐵運(yùn)行環(huán)境下對多種目標(biāo)進(jìn)行檢測，能極大減少在零部件的特征傳遞過程中特征丟失的情況，提高了識別的準(zhǔn)確度。

技術(shù)領(lǐng)域

本發(fā)明涉及智能檢測領(lǐng)域，特別是涉及一種基于改進(jìn)YOLO V3網(wǎng)絡(luò)的弓網(wǎng)核心零部件識別方法。

背景技術(shù)

隨著我國基礎(chǔ)設(shè)施的建設(shè)和城市化進(jìn)程的迅速增速，各種軌道交通工具作為一種更加便捷、綠色、安全的出行方式，特別是地鐵、輕軌和有軌電車等交通制式，在主要交通干線及城市的主要道路中得到了廣泛的普及和應(yīng)用。由于迅速快捷、客運(yùn)量大等優(yōu)勢，成為衡量一個城市經(jīng)濟(jì)發(fā)展的一個重要指標(biāo)。在提高城市運(yùn)轉(zhuǎn)效率、改善交通狀況的同時，也給關(guān)鍵軌道交通的設(shè)備健康監(jiān)控和日常維護(hù)提出了更高的要求。

傳統(tǒng)的弓網(wǎng)系統(tǒng)人工巡檢和定期檢測的方式，依靠人工維護(hù)的方式存在效率低下、成本高的問題。同時，僅僅依據(jù)人的經(jīng)驗(yàn)判斷，受人為的因素影響較大，在一些隧道或高架橋的環(huán)境做檢測還存在很大的危險(xiǎn)性。

現(xiàn)有的弓網(wǎng)在線檢測方法，通過簡單物理傳感器的方式檢測，但會因?yàn)樵O(shè)備接觸到受流設(shè)備從而影響弓網(wǎng)的受流特性。通過傳統(tǒng)的圖像處理這種非接觸式的檢測方式可以很好地獲得列車的運(yùn)行參數(shù)，從而實(shí)現(xiàn)動態(tài)的實(shí)時監(jiān)測，但這種傳統(tǒng)檢測手段不僅受列車運(yùn)行環(huán)境的影響，難以適應(yīng)到不同的線路和地上地下不同的光照環(huán)境，存在魯棒性和準(zhǔn)確性的問題。

YOLO V3目標(biāo)檢測器，可以用于弓網(wǎng)系統(tǒng)的實(shí)時檢測，但在背景復(fù)雜的地鐵運(yùn)行環(huán)境下對多種目標(biāo)進(jìn)行檢測，如果采用原有的YOLO V3網(wǎng)絡(luò)模塊進(jìn)行檢測，由于YOLO網(wǎng)絡(luò)中層與層之間通過簡單順序的特征傳遞，很容易在特征圖尺寸縮減的過程中丟失大量的關(guān)鍵特征，在零部件的特征傳遞過程中會出現(xiàn)較多特征的丟失現(xiàn)象，產(chǎn)生較多漏檢的問題從而導(dǎo)致識別的準(zhǔn)確度較低。

發(fā)明內(nèi)容

本發(fā)明旨在至少解決現(xiàn)有技術(shù)中存在的技術(shù)問題，特別創(chuàng)新地提出了一種基于改進(jìn)YOLO V3網(wǎng)絡(luò)的弓網(wǎng)核心零部件識別方法。

為了實(shí)現(xiàn)本發(fā)明的上述目的，本發(fā)明提供了一種基于改進(jìn)YOLO V3網(wǎng)絡(luò)的弓網(wǎng)核心零部件識別方法，包括以下步驟：

S1，提取弓網(wǎng)數(shù)據(jù)集，然后將弓網(wǎng)數(shù)據(jù)集分為訓(xùn)練集和測試集，并對訓(xùn)練集進(jìn)行處理；

S2，將訓(xùn)練集輸入改進(jìn)的YOLO V3網(wǎng)絡(luò)，進(jìn)行網(wǎng)絡(luò)訓(xùn)練；

S3，將測試集輸入訓(xùn)練后的YOLO V3網(wǎng)絡(luò)，得到目標(biāo)識別結(jié)果。

進(jìn)一步地，所述改進(jìn)的YOLO V3網(wǎng)絡(luò)包括：

將DenseNet模塊取代原YOLO V3網(wǎng)絡(luò)中的ResNet結(jié)構(gòu)，從而使得層間信息能夠有效的利用，減少池化層的圖像特征丟失，增強(qiáng)網(wǎng)絡(luò)對遮擋和不同尺寸目標(biāo)特征的提取和識別能力；

同時，把DenseNet模塊中的下采樣輸出分為兩部分：第一部分為順序輸出，輸出到l+1層的網(wǎng)絡(luò)中；第二部分加入密集連接，輸出到k層的網(wǎng)絡(luò)中，k∈{l+2,l+3...L}；

最后將DenseNet模塊中的輸入進(jìn)行維度的融合：第一部的輸出特征圖與第二部分的輸出特征圖進(jìn)行維度的融合；

其中L表示DenseNet模塊的深度，當(dāng)前為第l層。

改進(jìn)的YOLO V3網(wǎng)絡(luò)不僅能防止擬合的情況，還能將淺層特征傳遞至深層特征，保留了信息的完整性。

進(jìn)一步地，所述提取弓網(wǎng)數(shù)據(jù)集包括：