[发明专利]一种基于深度学习目标检测的受电弓碳滑板磨耗检测方法

权利要求书

1.一种基于深度学习目标检测的受电弓碳滑板磨耗检测方法，其特征在于，包括以下步骤：

步骤1、图片标注：由相机获取到原始图像，使用labelimg标注软件对图像中的受电弓碳滑板区域进行人工标定，生成标准的xml格式的label文件；利用voc制作数据集，用于模型训练；

步骤2、训练模型：用无监督学习算法k-means对数据集中标注好的边界框进行聚类，获得大小和形状满足要求的Anchor Box，使用Anchor Box训练yolo深度学习模型，得到受电弓碳滑板定位模型；

步骤3、确定受电弓碳滑板的上下左右边界：利用受电弓碳滑板定位模型对采集系统保存的图片进行实时在线检测，返回矩形区域坐标，将矩形区域坐标定位到原图中进行截取，具体如下：

yolo深度学习模型将输入图像划为S*S个网格，每个网格负责检测中心点落在其中的目标物体，其中单个网格中存在B个目标边框，每个目标边框由一个五维度的预测参数组成，其中包括目标边框的中心点坐标(X，Y)，宽高(W，H)和置信度评分S_i：

S_i＝Pr(O)*IoU

式中，Pr(O)表示前网格目标边框中存在物体的可能性，O表示目标对象，IoU交并比表示当前模型预测到的目标边框位置的准确性；

设定预测的目标边框为p，真实的目标边框为t，box_t表示图像中真实目标的边框情况，box_p表示预测的目标边框，则IoU由的计算公式为：

Pr(C_i|O)表示在该边框存在目标的情况下，该目标属于某一种类物体i的后验概率；设定目标检测任务一共有K种物体，则每个网络预测第i类物体C_i的条件概率为Pr(C_i|O)，i＝1，2，3...，K；

由此计算目标边框中存在物体的置信度为：

确定输出的边界，将图片划分的网格中所有S≤0.6的边界框舍弃，在剩下的边界框中选择最大的边界框作为输出的边界框，再从剩下的边界框当中选择一个，计算它和输出边界框IoU，如果IoU≥0.5就将这个边界框舍弃，重复判断，直到所有的边界框都比较过，具体如下：

步骤3.1、由步骤2训练的模型将输入的受电弓原始图像被划分为7*7个网格，每个网格预测2个目标边框，共有1种待测目标，即，S＝7,B＝2，K＝1，计算输出一个长度为S*S*(B*5+K)＝7*7*11的预测结果向量，得到目标边框的中心点坐标(X,Y)，宽高(W,H)，置信度S；

步骤3.2、由步骤3.1计算得到的目标边框的中心点位置坐标(X,Y)，宽高(W,H)，对应原图片进行截取，得到受电弓滑板位置；

步骤4、图像处理：对步骤3中的矩形区域进行图像处理和边缘检测，提取受电弓碳滑板的轮廓边缘，根据受电弓碳滑板的上下边缘计算滑板的剩余厚度。

2.根据权利要求1所述的基于深度学习目标检测的受电弓碳滑板磨耗检测方法，其特征在于，步骤1所述的图片标注：由相机获取到原始图像，使用labelimg标注软件对图像中的受电弓碳滑板区域进行人工标定，生成标准的xml格式的label文件；利用voc制作数据集，用于模型训练，具体如下：

步骤1.1、图像的标注：由相机获取到原始图像，根据受电弓滑板所在图像中的位置，对图像进行标定，标定矩形框要完整包括受电弓滑板区域，生成标准的xml格式的label文件；

步骤1.2、利用voc制作数据集：在voc目录下新建VOC2007，并在VOC2007下新建Annotations、ImageSets和JPEGImages三个文件夹，在ImageSets下新建main文件夹，将数据集图片拷贝到JPEGImages目录下，将数据集label文件拷贝到Annotations目录下，生成train.txt、val.txt、test.txt和trainval.txt四个文件。