[发明专利]一种基于深度多级优化的接触网螺母异常识别方法

权利要求书

1.一种基于深度多级优化的接触网螺母异常识别方法，其特征在于，包括如下步骤：

步骤(A)，获取接触网图像，利用训练得到的残差注意力卷积神经网络对其进行检测，获得铁路接触网螺母区域的位置信息，包括如下步骤：

(A1)，在训练样本图片中人工框选出螺母所在的区域，获取训练样本图片中螺母所在的目标区域的位置信息作为标签保存；

(A2)，将训练样本缩放为设定像素大小的训练样本矩阵，并与对应的位置信息的标签一同作为输入，训练残差注意力卷积神经网络，获得对应神经网络的参数，包括如下步骤：

(1)，将输入的训练样本图像缩放为416*416的特征图，并对其进行随机的色调、亮度、角度调整，作为网络的输入值；

(2)，使用3*3的扩张卷积核，将输入值通过32层的残差注意力卷积神经网络生成13*13的多维向量，将原始图像分成13*13共169个网格，每个网格输出5个位置信息以及每个位置信息对应的置信度，每个位置信息包含目标的中心点的位置以及目标的长与宽；

(3)，将步骤(2)中获得的5个位置信息导入损失函数中获得损失值，并根据损失值对残差注意力卷积神经网络进行反向传播，对权重参数进行更新；

(4)，损失值低于0.06，并在测试集中取得95％以上检测准确率时，将对应的权重参数作为最优权重参数保存；

(A3)，输入铁路接触网图像到残差注意力卷积神经网络，利用训练好的网络参数进行计算，得出铁路接触网图像中螺母的位置信息以及对应的置信度；

(A4)，将所有的位置信息使用非极大值抑制进行筛选，将置信度低于阈值的位置信息筛除，输出置信度高于阈值的位置信息；

步骤(B)，根据螺母区域的位置信息将螺母区域从原图中截取出，作为输入值输入训练好的自编码网络中，经过自编码网络处理后得到结果图；

步骤(C)，根据最大类间方差法将自编码网络处理后的结果图与未经处理的原图进行二值化，然后统计结果图与原图之间的差异程度，来判断螺母是否异常。

2.根据权利要求1所述的基于深度多级优化的接触网螺母异常识别方法，其特征在于：色调随机范围为1倍至1.5倍，亮度随机范围为1倍至1.5倍，角度随机范围为0度至15度。

3.根据权利要求1所述的基于深度多级优化的接触网螺母异常识别方法，其特征在于，残差注意力卷积神经网络的损失函数为：

其中，loss为损失值；P为划分的区域数量，为169；B为每个区域预测出的目标框数量，为5；为第i个区域的第j个预测框是否包含目标，若包含则为1，若不包含则为0；x_ij、y_ij为第i个区域的第j个预测框的中心点的横坐标与纵坐标；w_ij、h_ij为第i个区域的第j个预测框的长与宽；X_i、Y_i为第i个区域真实目标的横坐标与纵坐标；W_i、H_i为第i个区域真实目标的长与宽；c_ij为第i个区域的第j个预测框的预测类别置信度；C_i为第i个区域的真实目标的预测类别置信度；为第i个区域的第j个预测框是否不包含目标，若不包含则为1，若包含则为0。

4.根据权利要求1所述的基于深度多级优化的接触网螺母异常识别方法，其特征在于，(A4)：置信度设定为0.6。