[发明专利]一种挡键丢失检测方法

权利要求书

1.一种挡键丢失检测方法，其特征在于，包括以下步骤：

利用包含挡键的感兴趣区域的图像训练神经网络的模型，得到训练好的神经网络的模型权重，把模型精度从32位转换成16位精度；

采集过车图像并裁剪出包含挡键的感兴趣区域，加载转换成16位精度的神经网络的模型权重，进行神经网络的预测，根据得到的挡键坐标信息，利用人工先验规则，进行故障的判定。

2.根据权利要求1所述的一种挡键丢失检测方法，其特征在于，所述利用包含挡键的感兴趣区域的图像训练神经网络的模型的过程包括以下步骤：

s1、采集过车图像；

s2、根据硬件的轴距信息和挡键的位置，从过车图像中裁剪出感兴趣区域；

s3、数据集图像预处理，包括以下步骤：

根据挡键的感兴趣区域图像，建立包含挂冰、挂雪、正常情况下的挡键图像集；并对数据集进行标记，获得训练样本中挡键的坐标信息；

s4、把训练集中的训练样本归一化到256*256，输入到搭建好的神经网络模型中，进行训练，得到训练好的训练好的神经网络的模型权重，即得到训练好的训练好的神经网络的模型。

3.根据权利要求2所述的一种挡键丢失检测方法，其特征在于，步骤s3中对数据集进行标记之前，需要对数据集进行数据扩增操作；结合数据扩增之后的图像，组成新的训练数据集；然后对新的数据集进行标记。

4.根据权利要求1、2或3所述的一种挡键丢失检测方法，其特征在于，所述神经网络模型包括基准特征提取网络、多尺度特征提取网络；

基准特征提取网络包含一个卷积-池化单元和4个Dense Block模块，Dense Block内部通过层与层之间联级的方式进行连接，每两个Dense Block通过Concat进行通道降维；

4个Dense Block模块记为Dense Block1、Dense Block2、Dense Block3、DenseBlock4；

Dense Block1包含六组卷积单元，每个卷积单元包含1*1和3*3的卷积，其中第一组卷积单元的输出作为第二组、第三组、第四组、第五组、第六组的卷积单元输入，其中第二组卷积单元的输出作为第三组、第四组、第五组、第六组的卷积单元输入，其中第三组卷积单元的输出作为第四组、第五组、第六组的卷积单元输入，其中第四组卷积单元的输出作为第五组、第六组的卷积单元输入，其中第五组卷积单元的输出作为第六组的卷积单元输入，并且第一组、第二组、第三组、第四组、第五组、第六组的卷积单元输出进入Concat单元；

Concat单元包含1*1的卷积和2*2的平均池化；

Dense Block2与Dense Block1相同；

Dense Block3与Dense Block1相同；

Dense Block4与Dense Block1相同；

多尺度特征提取包含4个子尺度特征单元；

第四个子尺度特征单元是由Dense Block4的输出经过一个3*3的卷积；

第三个子尺度特征单元是由两部分特征图逐位相加再经过一个3*3的卷积获得；第一部分特征图是Dense Block3单元的输出经过一个1*1的卷积的特征图，第二部分特征图是Dense Block4单元的输出经过一个2倍上采样的特征图；

第二个子尺度特征单元是由两部分特征图逐位相加再经过一个3*3的卷积获得；第一部分特征图是Dense Block2单元的输出经过一个1*1的卷积的特征图，第二部分特征图是由两子部分特征图逐位相加经过一个2倍上采样的特征图，其中第二部分的第一子部分是由Dense Block3单元的输出经过一个1*1的卷积的特征图，第二部分的第二子部分是由Dense Block4单元的输出上采样2倍的特征图；

第一个子尺度特征单元是由两部分特征图逐位相加再经过一个3*3的卷积获得；第一部分特征图是Dense Block1单元的输出经过一个1*1的卷积的特征图，第二部分特征图是由两子部分特征图逐位相加经过一个2倍上采样的特征图，其中第二部分的第一子部分是由Dense Block2单元的输出经过一个1*1的卷积的特征图，第二部分的第二子部分是由Dense Block4单元的输出上采样2倍的特征图与Dense Block3的输出特征图向量逐位相加的特征图。