[发明专利]基于深度神经网络的列车受电弓磨损检测方法及系统

权利要求书

1.一种基于深度神经网络的列车受电弓磨损检测方法，其特征在于，包括如下步骤：

S1、利用列车上的相机大量采集受电弓滑板的图片，并将所述图片标记为样本图片；

S2、对所述样本图片进行图像增强处理，得到待训练图片；

S3、基于神经网络对所述待训练图片进行训练，并得到受电弓图片磨损状况训练模型；

S4、根据所述训练模型对所述受电弓进行磨损检测。

2.根据权利要求1所述的基于深度神经网络的列车受电弓磨损检测方法，其特征在于，在步骤S1中：

所述样本图片包括正样本图片和负样本图片，其中，所述正样本图片为受电弓磨损到需要更换的图片，所述负样本图片为受电弓磨损状况不需要更换的图片。

3.根据权利要求1所述的基于深度神经网络的列车受电弓磨损检测方法，其特征在于，在步骤S2中：

对所述样本图片进行灰度化和图像增强处理，其中，所述图像增强处理是指不考虑图像降噪的情况下突出图像中感兴趣的区域；

对所述样本图片进行数据扩增，得到所述待训练图片。

4.根据权利要求1所述的基于深度神经网络的列车受电弓磨损检测方法，其特征在于，在步骤S3中：

通过神经网络提取所述待训练图片的图像特征，并基于逻辑回归判断所述待训练图片中对应的受电弓滑板是否需要更换；

基于所述判断结果建立训练模型。

5.根据权利要求4所述的基于深度神经网络的列车受电弓磨损检测方法，其特征在于，当所述判断结果为1时，表示需要更换受电弓滑板，当判断结果为0时，表示不需要更换受电弓滑板。

6.根据权利要求4所述的基于深度神经网络的列车受电弓磨损检测方法，其特征在于，所述神经网络为卷积神经网络，且所述卷积神经网络包括：

卷积层1：使用7*7的卷积核，其中，滑动步长2，padding为3，64通道，输出为112*112*64，卷积后进行ReLU操作，经过3*3且步长为2的池化，输出为((112-3+1)/2)+1＝56，即56*56*64，再进行ReLU操作；

卷积层2：使用3*3的卷积核，其中，滑动步长为1，padding为1，192通道，输出为56*56*192，卷积后进行ReLU操作，经过3*3的且步长为2的池化，输出为((56-3+1)/2)+1＝28，即28*28*192，再进行ReLU操作；

Inception 3a层：Inception 3a层分为四个分支，且采用不同尺度的卷积核；

Inception 3b层：Inception 3a层也分为四个分支，且采用不同尺度的卷积核；

全连接层：基于所述逻辑回归进行结果判断。

7.根据权利要求6所述的基于深度神经网络的列车受电弓磨损检测方法，其特征在于，所述Inception 3a层具体为：

分支一、64个1*1的卷积核，然后进行RuLU计算，输出28*28*64；

分支二、96个1*1的卷积核，然后进行ReLU计算，再进行128个3*3的卷积，输出28*28*128；

分支三、16个1*1的卷积核，然后进行ReLU计算，再进行32个5*5的卷积，输出28*28*32；

分支四、池化层，使用3*3的核，输出28*28*192，然后进行32个1*1的卷积，输出28*28*32。

8.根据权利要求6所述的基于深度神经网络的列车受电弓磨损检测方法，其特征在于，所述Inception 3b层具体为：

分支一、128个1*1的卷积核，然后进行RuLU计算，输出28*28*128；

分支二、128个1*1的卷积核，然后进行ReLU计算，再进行192个3*3的卷积，输出28*28*192；

分支三、32个1*1的卷积核，进行ReLU计算后，再进行96个5*5的卷积，输出28*28*96；

分支四、池化层，使用3*3的核，输出28*28*256，然后进行64个1*1的卷积，输出28*28*64。