[发明专利]闸瓦折断目标检测方法

权利要求书

1.闸瓦折断目标检测方法，其特征在于：所述方法具体过程为：

步骤一、线阵图像获取；

步骤二、粗定位；

步骤三、生成对抗网络DCGAN，基于对抗网络DCGAN生成故障图像；

对抗网络由判别模型和生成模型两部分组成，其中判别器中采用下采样的卷积，生成器中采用上采样的卷积；具体过程为：

步骤三一：构建对抗网络DCGAN判别模型；具体过程为：

对抗网络DCGAN判别模型包括7组卷积单元，每组卷积单元包含卷积层、批量规范处理层和激活函数层；卷积大小为4x4，步长为2的卷积层；进行特征提取，同时使用批量规范处理，隐层采用Leaky ReLu进行激活，当不激活时，Leaky ReLu仍然会有非零输出值；

式中，f(x)为激活函数输出，λ为避免梯度死亡而设置的权重，x为激活函数输入；

步骤三一一：将含有闸瓦折断故障的原始折断故障数据归一化为大小256x256的数据，以8张原始故障数据和伪故障数据作为一组判别模型的输入；

步骤三一二：数据输入到搭建好的判别模型中，进行特征提取，同时使用批量规范处理，隐层采用Leaky ReLu进行激活；

步骤三一三：在最后的卷积层输出向量与权值向量相乘，转化为8x1的向量，采用非线性分类器Sigmod函数进行分类，输出为二分类的结果，即原始的故障数据和生成的故障数据判别结果；

步骤三一四：重复步骤三一一至三一三的过程，直到对抗网络DCGAN判别模型生成的故障数据清晰且具有M种形态故障变换为止；

M取值为100；

步骤三二：构建对抗网络DCGAN生成模型；具体过程为：

生成模型结构包括7组转置卷积单元，每组转置卷积单元包含一个卷积核大小为4x4，步长为2的转置卷积层，一个批量规范处理层和激活函数ReLu层；

步骤三二一：100维度的噪声数据经过矩阵运算，转化为二维向量作为生成模型的输入；

步骤三二二：将输入经过卷积核大小为4x4，步长为2的转置卷积层进行填充，在每层转置卷积层输出加入BN层和ReLu层；

步骤三二三：最后转置卷积的输出采用Tanh函数激活，将输出图像的像素归一化到-1～1形成伪故障数据；

步骤三二四：输出为生成的故障图像，传入对抗网络DCGAN判别模型，判断生成的故障图像是否和真实的数据相同，如果不相同，生成模型更新权重，再次生成故障图像，传入对抗网络DCGAN判别模型，直到生成的故障图像和真实的数据相同，得到优化好的对抗网络判别模型和生成模型；

步骤四、建立深度学习训练数据集；

步骤五、故障目标分割；具体过程为：

步骤五一：构建U-Net分割模型的编码器网络；具体过程为：

编码器以残差网络作为基准网络进行特征提取，采用4个下采样编码的单元，每个下采样单元是由N组Resnet残差单元组成；

Resnet残差单元由两个1*1的卷积层和一个3*3的卷积层组成，并采用捷径连接方式；

步骤五二：构建U-Net分割模型的解码器网络；具体过程为：

解码器采用4个相同的上采样的解码单元，每个解码单元包含两个卷积核大小1*1的卷积层，一个卷积核大小4*4的转置卷积层进行上采样，三个批量规范处理层，其中第一个1*1的卷积层，通道数为输入通道的1/4；

步骤五三：加入跳跃连接单元连接编码器和解码器特征图；

步骤五四：把步骤四获得的数据和标签图像一起归一化到固定大小256*256，输入到搭建好的分割网络中；

步骤五五：图像数据经过分割网络输出的预测图像和原始标记的真值图像做交叉熵损失函数；

其中，P为预测图像，GT为真值图像，P和GT具有相同的宽W和高H，gt_ij为真值图像的一个像素值，P_ij为预测图像中的一个像素值；

步骤五六：根据损失函数进行误差反向传播，并更新所述分割网络的参数；

步骤五七：重复步骤五四到五六，对步骤四三获得的训练数据集进行训练，直至交叉熵损失逐渐收敛，置信度升至稳定值，确定当前学习到的模型参数为训练好的模型参数，从而获得训练好的分割网络模型，所述训练好的模型参数包括分割网络模型的参数；

步骤六、基于训练好的分割网络模型进行预测，得到故障部件的信息。