[发明专利]一种基于深度学习的高铁线路鸟窝缺陷检测方法

权利要求书

1.一种基于深度学习的高铁线路鸟窝缺陷检测方法，其特征在于：含有以下步骤：

步骤1、输入铁路接触网图像；

步骤2、用全卷积神经网络提取鸟窝存在的可疑区域；步骤2包括以下分步骤：

(2a)将输入图像调整为416×416像素大小，并将灰度图变为三通道图片；

(2b)将所有图像输入全卷积神经网络Darknet-53，Darknet-53网络中使用1×1和3×3大小的卷积核对图像的三个通道信息中的每个通道进行积和下采样特征提取，分别得到255个52×52、26×26和13×13的像素特征图；

(2c)对得到的3个尺度的特征图中的每个像素，使用逻辑回归预测3个边界框，每个边界框包含框的位置、对象分数和每种鸟窝可疑区域的类别概率；其中边框回归的损失函数公式为其中是回归框，是标注框；

(2d)从回归得到的边界框中筛选出鸟窝可疑区域的位置，并对其进行非极大值抑制处理NMS，最终得到鸟窝可疑区域的中心点坐标、宽和高并保存其在原图像中的坐标信息；

(2e)根据鸟窝可疑区域的坐标裁剪出鸟窝可疑区域图像；

步骤3、利用全卷积神经网络对鸟窝可疑区域图像进行特征提取并检测鸟窝；步骤3步骤如下：

(3a)将鸟窝可疑区域图像调整为416×416像素大小，并将灰度图变为三通道图像；

(3b)将所有图像输入全卷积神经网络Darknet-53，Darknet-53网络中使用1×1和3×3大小的卷积核对图像的三个通道信息中的每个通道进行积和下采样特征提取，分别得到255个52×52、26×26和13×13的像素特征图；

(3c)对得到的3个尺度的特征图中的每个像素，使用逻辑回归预测3个边界框，每个边界框包含框的位置、对象分数和每种鸟窝可疑区域的类别概率，联合使用三种尺度的特征图进行检测，提升对鸟窝或树枝检测的准确性；

(3d)从回归得到的边界框中筛选出鸟窝的位置，并对其进行非极大值抑制处理NMS，最终得到图像鸟窝的中心点坐标、宽和高；

(3e)根据鸟窝所在鸟窝可疑区域位置，在原图像中框出步骤(2d)中保存的区域，并输出作为最终结果；

步骤4、保存检测鸟窝可疑区域与检测鸟窝的模型；

步骤5、加载模型，输入测试图像，得到高铁线路中的鸟窝缺陷检测结果。

2.根据权利要求1所述的基于深度学习的高铁线路鸟窝缺陷检测方法，其特征在于：所述步骤1中选取由列车车载摄像机拍摄到固定分辨率大小的彩色或灰度图像作为输入图像。

3.根据权利要求1所述的基于深度学习的高铁线路鸟窝缺陷检测方法，其特征在于：所述步骤4中将步骤2和步骤3中两个全卷积神经网络的参数保存为模型文件。