[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

说明书

本发明公开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，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，完成对基于半监督卷积神经网络受电弓碳滑板表面磨耗检测模型的优化。本发明采用并联池化层对不同属性数据差异化取样，增强了半监督卷积神经网络对无标签数据的利用效率，提升了受电弓碳滑板表面磨耗检测模型的优化效果。

技术领域

本发明涉及轨道交通车辆设备故障诊断领域。更具体地，涉及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。

背景技术

随着计算机运算能力与相关技术的快速发展，深度学习理论正在得到越来越广泛的应用。其在图像识别领域的自动化与智能化，使得可以将之应用于基于图像识别的受电弓滑板表面磨耗类型判断。相较之传统的图像检测方法，深度学习仅需搭建适当的网络模型，并对原始图像进行简单的预处理，便可利用网络对其进行自主学习与特征提取，实现全自动的图像识别；模型一旦完成训练，即可直接用于图像识别。训练与使用过程均无需依赖人工对图像与模型进行复杂操作。网络对低级特征的非线性融合使得模型对病害高级特征的识别能够不受光照、位移、尺度等变化的影响，具有更好的鲁棒性，以及更高的自动化与智能化程度。

传统的深度学习算法通常为有监督学习模型，需要借助大量高质量有标签数据对其进行训练，因此对有标签数据的数据量较为敏感。当有标签数据不足时，模型无法得到充分的学习，导致其对滑板表面磨耗的检测准确率较低。因此，有学者通过卷积神经网络对图像的变换稳定性，与不同类别数据分布的互斥性规律，借助半监督学习理论，实现了半监督卷积神经网络模型，实现了对无标签图像数据的利用，使得仅利用少量有标签数据训练的有监督模型效果得到了一定的提升。然而对于传统的卷积神经网络结构，该半监督方法对其效果的提升较为有限。因此，需要提供对不同属性的图像数据进行差异化随机下采样的方法，使得无标签数据具有更为随机的非线性变化，从而增强了该半监督方法对无标签数据的利用效率，进一步提升该半监督算法对标准卷积神经网络的优化效果。

发明内容

本发明的目的在于提供一种利用并联池化层对基于半监督卷积神经网络的受电弓碳滑板表面磨耗检测模型的优化方法，该方法利用并联池化层对不同属性的图像数据进行差异化随机采样，使得无标签数据具有更为随机的非线性变化，从而增强了半监督方法对无标签数据的利用效率，进一步提升了半监督算法对标准卷积神经网络的优化效果。

为达到上述目的，本发明采用下述技术方案：

本发明提供了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，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，完成对基于半监督卷积神经网络受电弓碳滑板表面磨耗检测模型的优化，以提高检测效果。

进一步，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。

进一步，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，以实现模型对无标签数据的有效利用。