[发明专利]并联池化层对受电弓碳滑板表面磨耗检测模型的优化方法

权利要求书

1.一种并联池化层对受电弓碳滑板表面磨耗检测模型的优化方法，其特征在于，包括以下步骤：

1)采集受电弓滑板表面缺陷图像，并进行图像预处理，得到数据集；其中，所述数据集包含训练数据与测试数据，训练数据包含有标签数据与无标签数据两类；

2)在CAFFE框架下搭建半监督卷积神经网络，并利用无标签数据对模型进行训练；

3)基于随机池化原理，将原始的池化层换用为并联池化层，对有标签数据与无标签数据差异化采样，完成对受电弓碳滑板表面磨耗检测模型的优化；

所述并联池化层结构为通过slicer与concat层，将拼接的有标签数据与无标签数据进行切分，对所述有标签数据采用最大池化采样，对所述无标签数据采用随机池化采样；

所述并联池化层结构还包括设置单独的池化路径对测试阶段的池化进行最大池化采样；

所述差异化采样为采用随机池化层对无标签数据进行采样，采用最大池化层对有标签数据进行采样。

2.根据权利要求1所述的优化方法，其特征在于，所述图像预处理包括图像的归一化和数据库的编制；其中，所述图像的归一化包括尺寸归一化、色彩模式归一化、全局特征标准化和图像去均值；所述数据库的编制是将预处理的图像转换为数据集。

3.根据权利要求1所述的优化方法，其特征在于，所述半监督卷积神经网络是通过构建变换稳定性损失函数与互斥损失函数定义无标签数据的损失函数，借助无标签数据的损失函数对无标签数据的误差进行计算。

4.根据权利要求3所述的优化方法，其特征在于，对于一个样本xi∈X，设置其重复通过网络的次数为n，每次通过网络均对其进行随机线性或非线性变换T_j，那么，对于一个样本量为N的数据集，所述变换稳定性损失函数为

其中，为对第i个样本xi第j次通过模型时的预测输出值，T^j(xi)为样本x_i第j次输入网络前所采取随机变换之后的样本。

5.根据权利要求3所述的优化方法，其特征在于，对于训练样本x_i，所述互斥损失函数为：

其中，C为categories，代表数据的类别数；为样本xi的预测结果向量中的第k个元素；为样本xi经过分类器f后的理想输出向量，k为样本的预测类别，且k∈K。

6.根据权利要求3所述的优化方法，其特征在于，所述无标签数据的损失函数为其中λ₁和λ₂分别为变换稳定性损失函数与互斥损失函数在无标签数据损失函数l_u中所占的权值。

7.根据权利要求1所述的优化方法，其特征在于，所述并联池化层的配置数量与部署位置为使用一层并联池化层，且将其布置在卷积神经网络的浅层。